Reconstruction of magnetic configurations using machine learning approaches
| Thesis title in Czech: | Rekonštrukcia magnetických konfiguracií pomocou metód strojového učenia |
|---|---|
| Thesis title in English: | Reconstruction of magnetic configurations using machine learning approaches |
| Key words: | strojové učenie|neurónové siete|magnetické skyrmióny |
| English key words: | machine learning|neural networks|magnetic skyrmions |
| Academic year of topic announcement: | 2021/2022 |
| Thesis type: | Bachelor's thesis |
| Thesis language: | angličtina |
| Department: | Department of Condensed Matter Physics (32-KFKL) |
| Supervisor: | RNDr. Pavel Baláž, Ph.D. |
| Author: | Bc. Tatiana Vargicová - assigned and confirmed by the Study Dept. |
| Date of registration: | 15.02.2022 |
| Date of assignment: | 15.02.2022 |
| Confirmed by Study dept. on: | 03.05.2022 |
| Date and time of defence: | 07.09.2022 09:00 |
| Date of electronic submission: | 22.07.2022 |
| Date of submission of printed version: | 22.07.2022 |
| Date of proceeded defence: | 07.09.2022 |
| Opponents: | RNDr. Martin Žonda, Ph.D. |
| Guidelines |
| (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" |
| References |
| 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). |
| Preliminary scope of work |
| 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). |
| Preliminary scope of work in English |
| 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). |