Modelling tensorial properties of zeolites using machine learning and first principles calculations

• Název práce v češtině: Modelování tenzorových vlastností zeolitů pomocí strojového učení a ab initio výpočtů
• Název v anglickém jazyce: Modelling tensorial properties of zeolites using machine learning and first principles calculations
• Akademický rok vypsání: 2023/2024
• Typ práce: diplomová práce
• Jazyk práce: angličtina
• Ústav: Katedra fyzikální a makromol. chemie (31-260)
• Vedoucí / školitel: doc. RNDr. Lukáš Grajciar, Ph.D.
• Řešitel: skrytý - zadáno a potvrzeno stud. odd.
• Datum přihlášení: 23.10.2023
• Datum zadání: 07.02.2024
• Datum potvrzení stud. oddělením: 08.02.2024
• Konzultanti: Christopher James Heard, Ph.D.

Předběžná náplň práce

Vyvíjet, trénovat a testovat potenciály reaktivních neuronových sítí pro realistický popis zeolitů za použití ekvivariantních neurónových sítí
Vyvinout prediktory NMR a IR spekter pro zeolity založené na neuronových sítích.
Vzorkování konfiguračního prostoru zeolitů při zohlednění více parametrů modelu (topologie zeolitu, distribuce Si/Al, Al, obsah vody, ...) a interpretace NMR a IR spekter s ohledem na zeolitický model - tzv. "double-ML" přístup

Předběžná náplň práce v anglickém jazyce

Develop, train, and test reactive neural network potentials for the operando description of zeolites based on equivariant message passing networks.
Develop a neural network based predictors of solid-state NMR and IR spectra for zeolites.
Sampling the configuration space of zeolites along considering multiple model parameters (zeolite topology, Si/Al, Al distributions, water content, ...) and interpretation of NMR and IR spectra with respect to zeolitic model - so-called "double-ML" approach