Detailansicht
Machine learning potentials for silicon using Bayesian regression
Bernhard Schmiedmayer
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Physik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Physik
Betreuer*in
Georg Kresse
DOI
10.25365/thesis.70106
URN
urn:nbn:at:at-ubw:1-11163.82092.859879-7
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
In dieser Masterarbeit wird ein maschinell erlerntes Mehrzweck-Kraftfeld für Silizium erzeugt. Dafür wird eine "on-the-fly" Methode verwendet. Die Daten für das Training werden während molekulardynamischer Simulationen ausgewählt. Dieser Auswahlprozess verwendet die Bayes'sche Fehlerschätzung, um zu entscheiden, wann direkte Methoden durchgeführt werden sollen, um das vorhandene maschinell erlernte Kraftfeld zu aktualisieren. Zusätzlich zu den on-the-fly-generierten Daten wird das maschinell erlernte Kraftfeld mit einigen zusätzlichen Daten von Hochdruckphasen ergänzt. Für das Training werden verschiedene Silizium-Bulk-Phasen, Defekte und Nanokristalle verwendet. Um die Genauigkeit des maschinell erlernten Kraftfeldes zu validieren, werden einige Tests durchgeführt. Schließlich wird ein maschinell erlerntes Kraftfeld zusammen mit einem Neuronalen Netzwerk Potenzial verwendet, um die Wärmeleitfähigkeit für Silizium unter Verwendung von molekulardynamischen Nichtgleichgewichts-Simulationen zu berechnen und die beiden Ergebnisse werden miteinander verglichen.
Abstract
(Englisch)
In this master's thesis a multi purpose machine learned force field for silicon is generated using an on-the-fly method. The data for training are selected during molecular dynamics simulations. This selection process uses Bayesian error estimation to decide when to perform first principles calculations and to update the existing machine learned force field. On top of the on-the-fly generated data we update the machine learned force field with some additional data from high-pressure phases. For training, various silicon bulk phases, defects and nano crystals are used. A number of tests are performed to validate the generated machine learned force field. Finally, a machine learned force field alongside a neural network potential is used to calculate the thermal conductivity of silicon via non equilibrium molecular dynamics simulations and the two different machine learning methods are compared.
Schlagwörter
Schlagwörter
(Englisch)
Machine learning Material Science Silicon VASP Neural network
Schlagwörter
(Deutsch)
Machine-Learning Materialphysik Silizium VASP Neurales Netzwerk
Autor*innen
Bernhard Schmiedmayer
Haupttitel (Englisch)
Machine learning potentials for silicon using Bayesian regression
Paralleltitel (Deutsch)
Machine-Learning-Potenziale für Silizium mit Bayes'scher Regression
Publikationsjahr
2021
Umfangsangabe
viii, 76 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Georg Kresse
Klassifikationen
33 Physik > 33.19 Theoretische Physik: Sonstiges ,
33 Physik > 33.61 Festkörperphysik
AC Nummer
AC16460848
Utheses ID
59938
Studienkennzahl
UA | 066 | 876 | |