Molekulová dynamika excitovaných stavů s neadiabatickými a spinorbitálními efekty akcelerovaná pomocí strojového učení
| Thesis title in Czech: | Molekulová dynamika excitovaných stavů s neadiabatickými a spinorbitálními efekty akcelerovaná pomocí strojového učení |
|---|---|
| Thesis title in English: | Excited state molecular dynamics with non-adiabatic and spin-orbit effects assisted by machine learning |
| Academic year of topic announcement: | 2024/2025 |
| Thesis type: | dissertation |
| Thesis language: | |
| Department: | Department of Chemical Physics and Optics (32-KCHFO) |
| Supervisor: | doc. Dr. rer. nat. Jiří Pittner, DSc. |
| Author: |
| Guidelines |
| Bude upřesněno, podrobnější informace jiri.pittner@jh-inst.cas.cz |
| References |
| https://doi.org/10.1021/acs.jctc.2c00804 and references therein
|
| Preliminary scope of work |
| Molekulová dynamika excitovaných stavů se zahrnutím neadiabatických a spinorbitálních efektů
je důležitým teoretickým nástrojem pro simulaci fotochemických procesů, které hrají důležitou roli v přírodě a technologii, jako např. fotosyntéza, fototerapie, fotovoltaika aj. Její výpočetní náročnost při použití ab-inito či DFT metod je ale velmi limitující jak co se týče velikosti studovaných molekul, tak ohledně délky a počtu počítaných trajektorií. Strojové učení (ML) získalo v poslední době popularitu díky širokým aplikacím v mnoha oblastech vědy, průmyslu a komerce. Nedávno se ML metody uplatnily i pro urychlení simulací molekulové dynamiky v základním stavu a pokroku bylo dosaženo i v ML excitovaných stavů a neadiabatických efektů. Cílem tohoto projektu je implementovat metody strojového učení pro molekulovou dynamiku s neadiabatickými a spinorbitálními vazbami a provést ML-akcelerované MD simulace v excitovaných stavech, kdy dochází k interní konverzi i mezisystémovému přechodu, s aplikacemi na (modifikované) DNA báze. |
| Preliminary scope of work in English |
| Molecular dynamics in excited states including the non-adiabatic and spin-orbit effects is an
important theoretical tool for the simulation of photochemical processes which play an important role in nature and technology, like e.g. photosynthesis, phototherapy, photovoltaics, etc. Its computational cost when ab-initio or DFT methods are employed is very limiting in both size of the molecules treated and the length and number of computed trajectories. Machine learning (ML) has recently become very popular thanks to its widespread applications in many areas of science, industry, and commerce. Recently the machine learning methods have been successfully employed to speed up the molecular dynamics in the ground state, and some progress was done also on the ML of excited states and non-adiabatic effects. The aim of this project is to implement ML methods for MD with nonadibatic and spin-orbit couplings and perform ML-accelerated molecular dynamics in excited states undergoing both internal conversion and intersystem crossing processes, with application to (modified) DNA bases. |