Modelling tensorial properties of zeolites using machine learning and first principles calculations

• Thesis title in Czech: Modelování tenzorových vlastností zeolitů pomocí strojového učení a ab initio výpočtů
• Thesis title in English: Modelling tensorial properties of zeolites using machine learning and first principles calculations
• Academic year of topic announcement: 2023/2024
• Thesis type: diploma thesis
• Thesis language: angličtina
• Department: Department of Physical and Macromolecular Chemistry (31-260)
• Supervisor: doc. RNDr. Lukáš Grajciar, Ph.D.
• Author: hidden - assigned and confirmed by the Study Dept.
• Date of registration: 23.10.2023
• Date of assignment: 07.02.2024
• Confirmed by Study dept. on: 08.02.2024
• Advisors: Christopher James Heard, Ph.D.

Preliminary scope of work

Vyvíjet, trénovat a testovat potenciály reaktivních neuronových sítí pro realistický popis zeolitů za použití ekvivariantních neurónových sítí
Vyvinout prediktory NMR a IR spekter pro zeolity založené na neuronových sítích.
Vzorkování konfiguračního prostoru zeolitů při zohlednění více parametrů modelu (topologie zeolitu, distribuce Si/Al, Al, obsah vody, ...) a interpretace NMR a IR spekter s ohledem na zeolitický model - tzv. "double-ML" přístup

Preliminary scope of work in English

Develop, train, and test reactive neural network potentials for the operando description of zeolites based on equivariant message passing networks.
Develop a neural network based predictors of solid-state NMR and IR spectra for zeolites.
Sampling the configuration space of zeolites along considering multiple model parameters (zeolite topology, Si/Al, Al distributions, water content, ...) and interpretation of NMR and IR spectra with respect to zeolitic model - so-called "double-ML" approach