Reconstruction of magnetic configurations using machine learning approaches
Název práce v češtině: | Rekonštrukcia magnetických konfiguracií pomocou metód strojového učenia |
---|---|
Název v anglickém jazyce: | Reconstruction of magnetic configurations using machine learning approaches |
Klíčová slova: | strojové učenie|neurónové siete|magnetické skyrmióny |
Klíčová slova anglicky: | machine learning|neural networks|magnetic skyrmions |
Akademický rok vypsání: | 2021/2022 |
Typ práce: | bakalářská práce |
Jazyk práce: | angličtina |
Ústav: | Katedra fyziky kondenzovaných látek (32-KFKL) |
Vedoucí / školitel: | RNDr. Pavel Baláž, Ph.D. |
Řešitel: | Bc. Tatiana Vargicová - zadáno a potvrzeno stud. odd. |
Datum přihlášení: | 15.02.2022 |
Datum zadání: | 15.02.2022 |
Datum potvrzení stud. oddělením: | 03.05.2022 |
Datum a čas obhajoby: | 07.09.2022 09:00 |
Datum odevzdání elektronické podoby: | 22.07.2022 |
Datum odevzdání tištěné podoby: | 22.07.2022 |
Datum proběhlé obhajoby: | 07.09.2022 |
Oponenti: | RNDr. Martin Žonda, Ph.D. |
Zásady pro vypracování |
(i) zoznámenie sa s teoretickým opisom magnetických systémov; druhy interakcií v magnetizme
(ii) základné poznatky o topologických magnetických fázach, skyrmiónoch a skyrmiónových mriežkach (iii) zoznámenie sa so základmi strojového učenia a nástrojmi na jeho realizáciu (scikit-learn, tensorflow, keras) (iv) analýza výsledkov numerických simulácií pomocou metód strojového učenia "s učiteľom" a "bez učiteľa" |
Seznam odborné literatury |
1. S. Alexander, S. Bawabe, B. Friedman-Shaw, and M. W. Toomey, The Physics of Machine Learning: An Intuitive Introduction for the Physical Scientist, ArXiv:2112.00851 [Cond-Mat] (2021).
2. Francois Chollet, Deep learning v jazyky Python, Grada Publishing (2019). 3. I. A. Iakovlev, O. M. Sotnikov, and V. V. Mazurenko, Supervised Learning Approach for Recognizing Magnetic Skyrmion Phases, Phys. Rev. B 98, 174411 (2018). 4. P. Baláž, M. Paściak, J. Hlinka, Melting of Neel Skyrmion Lattice, Phys. Rev. B 103, 174411 (2021). |
Předběžná náplň práce |
Strojové učenie zahŕňa metódy, pomocou ktorých je možné spracovávať veľké množstvo dát získaných z meraní, alebo simulácií. Náplňou tejto bakalárskej práce je oboznámenie sa so základmi metód strojového učenia (predovšetkým neurónových sietí) a ich využitie na klasifikáciu magnetických textúr získaných z numerických simulácií. Cieľom práce je implementovanie a testovanie metód strojového učenia, ktoré nevyžadujú vopred klasifikované vzorky dát (učenie bez učiteľa). |
Předběžná náplň práce v anglickém jazyce |
Machine learning includes methods designed for processing of large amounts of data obtained from measurements or simulations. In this project the student will learn about the basic methods of machine learning (mainly neural networks) and their use in classification of magnetic textures obtained from numerical simulations. The main goal is implementation and testing methods which do no require a priori classified data samples (unsupervised learning). |