Rozvoj molekulárního modelování pomocí strojového učení
| Thesis title in Czech: | Rozvoj molekulárního modelování pomocí strojového učení |
|---|---|
| Thesis title in English: | Enhancing molecular modelling with machine learning |
| Academic year of topic announcement: | 2022/2023 |
| Thesis type: | dissertation |
| Thesis language: | čeština |
| Department: | Institute of Physics of Charles University (32-FUUK) |
| Supervisor: | RNDr. Ondřej Maršálek, Ph.D. |
| Author: | hidden - assigned and confirmed by the Study Dept. |
| Date of registration: | 01.03.2023 |
| Date of assignment: | 01.03.2023 |
| Confirmed by Study dept. on: | 01.03.2023 |
| Guidelines |
| • Podrobně se seznámit se současnou metodikou pro interakční potenciály založené na strojovém učení a pro tvorbu sad referenčních dat pomocí aktivního učení.
• Studovat možnosti využití strojového učení pro další aspekty modelování molekulárních systemů, například kolektivní souřadnice a výpočty volných energií. • Rozvíjet metodiku tvorby modelů a aplikovat vyvinuté metody na popis a studium molekulárních systémů v kondenzované fázi, včetně výpočtů volných energií. • Výsledky práce publikovat v kvalitních zahraničních časopisech. |
| References |
| • S. Batzner, A. Musaelian, L. Sun, M. Geiger, J.P. Mailoa, M. Kornbluth, N. Molinari, T.E. Smidt, and B. Kozinsky, Nat. Commun. 13, (2022).
• C. Schran, F.L. Thiemann, P. Rowe, E.A. Müller, O. Marsalek, and A. Michaelides, Proc. Natl. Acad. Sci. 118, e2110077118 (2021). • J. Behler, Chem. Rev. (2021). • C. Schran, K. Brezina, and O. Marsalek, J. Chem. Phys. 153, 104105 (2020). • M. M. Sultan, and V. S. Pande, J. Chem. Phys. 149, 094106 (2018). • Další literatura dle dohody se školitelem. |
| Preliminary scope of work |
| Strojové učení rychle získává prominentní pozici v metodice modelování molekulárních systémů a materiálů. Nejběžnější je použití neuronových sítí k popisu interakcí v atomistických systémech na základě referenčních dat získaných z ab initio výpočtů. I když užitek tohoto přístupu je jasný, jak demonstrují nedávné publikace o metodice samotné i jejích aplikacích, mnoho otázek zůstává otevřených, obzvláště v oblasti tvorby robustních a přenositelných tréninkových sad. Seznámení se s existujícími metodami konstrukce a použití takových modelů k urychlení a rozšíření ab initio molekulárně dynamických simulací bude důležitou součástí tohoto PhD projektu. Přístupy založené na strojovém učení se však zdají slibné i pro vylepšení jiných aspektů molekulárního modelování. To zahrnuje například identifikaci relevantních kolektivních souřadnic a modelování nadploch volných energií, či urychlení částí výpočtů elektronové struktury. Pozornost věnovaná těmto novým možnostem by měla v tomto PhD projektu doplňovat použití interakčních potenciálů založených na strojovém učení. |
| Preliminary scope of work in English |
| Machine learning is rapidly gaining a prominent place in the methodology of modelling molecular systems and materials. The most common application is the use of neural networks to describe interactions in atomistic systems based on reference data obtained from ab initio calculations. Despite the clear utility of this approach, as demonstrated by recent publications on both the methodology itself and its applications, many questions remain open, especially in the area of the creation of robust and transferable training sets. It will be an important part of this PhD project to get acquainted with the existing methods for the construction and use of such models in order to accelerate and substantially extend ab initio molecular dynamics simulations. At the same time, machine learning approaches show promise in augmenting molecular modelling in other ways, too. This includes the identification of relevant collective coordinates and the modelling of free energy surfaces, or accelerating parts of the calculation of electronic structure. Focusing on these emerging possibilities should complement the use of machine learning potentials in this PhD project. |