Analysis of topological magnetic phases using generative machine learning models
| Thesis title in Czech: | Analýza topologických magnetických fáz pomocí generativních modelů strojového učení |
|---|---|
| Thesis title in English: | Analysis of topological magnetic phases using generative machine learning models |
| Key words: | strojové učenie|neurónové siete|magnetické skyrmióny |
| English key words: | machine learning|neural networks|magnetic skyrmions |
| Academic year of topic announcement: | 2022/2023 |
| Thesis type: | diploma thesis |
| Thesis language: | angličtina |
| Department: | Department of Condensed Matter Physics (32-KFKL) |
| Supervisor: | RNDr. Pavel Baláž, Ph.D. |
| Author: | hidden - assigned and confirmed by the Study Dept. |
| Date of registration: | 21.10.2022 |
| Date of assignment: | 21.10.2022 |
| Confirmed by Study dept. on: | 21.04.2023 |
| Date and time of defence: | 08.02.2024 09:00 |
| Date of electronic submission: | 10.01.2024 |
| Date of submission of printed version: | 08.02.2024 |
| Date of proceeded defence: | 08.02.2024 |
| Opponents: | RNDr. Martin Žonda, Ph.D. |
| Guidelines |
| (i) vytvorenie autoenkodéru, alebo iného generatívneho modelu strojového učenia, vhodného na analýzu magnetických konfigurácií získaných z numerických simulácii dvojrozmerného Heisenbergovho modelu na štvorcovej mriežke
(ii) tréning vytvoreného generatívneho modelu na základe fyzikálnych vlastností daných konfigurácií (iii) aplikácia natrénovaného generatívneho modelu pri štúdiu fázových diagramov skúmaného fyzikálneho systému, alebo generovaní nových magnetických konfigurácií |
| References |
| 1. Francois Chollet, Deep learning v jazyky Python, Grada Publishing (2019).
2. I. A. Iakovlev, O. M. Sotnikov, and V. V. Mazurenko, Supervised Learning Approach for Recognizing Magnetic Skyrmion Phases, Phys. Rev. B 98, 174411 (2018). 3. P. Baláž, M. Paściak, J. Hlinka, Melting of Neel Skyrmion Lattice, Phys. Rev. B 103, 174411 (2021). 4. H. Y. Kwon, H. G. Yoon, S. M. Park, D. B. Lee, J. W. Choi, and C. Won, Magnetic State Generation Using Hamiltonian Guided Variational Autoencoder with Spin Structure Stabilization, Advanced Science 8, 2004795 (2021). 5. N. Walker, K.-M. Tam, and M. Jarrell, Deep Learning on the 2-Dimensional Ising Model to Extract the Crossover Region with a Variational Autoencoder, Sci Rep 10, 13047 (2020). 6. Guo, X., Liu, X., Zhu, E., Yin, J. (2017). Deep Clustering with Convolutional Autoencoders. In: Liu, D., Xie, S., Li, Y., Zhao, D., El-Alfy, ES. (eds) Neural Information Processing. ICONIP 2017. Lecture Notes in Computer Science, vol 10635. Springer, Cham. 7. Akinori Tanaka, Akio Tomiya, Koji Hashimoto, Deep Learning and Physics, Springer Singapore (2021). |