Detailansicht
Machine learning for chemical data
Beryl Ramadhian Aribowo
Art der Arbeit
Dissertation
Universität
Universität Wien
Fakultät
Fakultät für Mathematik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Doktoratsstudium Naturwissenschaften: Mathematik
Betreuer*in
Arnold Neumaier
DOI
10.25365/thesis.77338
URN
urn:nbn:at:at-ubw:1-15727.34538.787829-1
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Die wichtigste chemische Eigenschaft von Molekülen ist die Energie im Gleichgewicht und in ihren molekularen Konfigurationen. Diese Arbeit befasst sich mit der Vorhersage dieser Energien aus gegebenen Daten unter Verwendung statistischer und maschineller Lernansätze. Der erste Teil der Arbeit befasst sich mit der Konstruktion hochgenauer potenzieller Energieoberflächen von zweiatomigen Molekülen unter Verwendung traditioneller funktionaler Ansätze. Der zweite Teil befasst sich mit komplexeren potenziellen Energiefunktionen für kleine Moleküle HxOy und deren Training mit automatischer Differenzierung im umgekehrten Modus, die im Vergleich zu finiten Differenzen oder symbolischer Differenzierung eine bessere Effizienz bietet. Darüber hinaus wird eine neuartige halbüberwachte Lerntechnik auf der Grundlage der Shepard-Interpolation vorgestellt, die für das Training chemischer Daten mit minimalen Informationen über das Ziel nützlich ist. Der dritte Teil des Arbeit behandelt die QM9-Herausforderung, das Problem der Vorhersage aller 130K Gleichgewichts-Energien des QM9-Datensatzes mit chemischer Genauigkeit aus den Gleichgewichts-Energien für eine winzige Menge (weniger als 1%) von Trainingsgeometrien. Durch die Kombination von maschinellem Delta-Lernen, Hyperparameter-Abstimmung und Datenauswahltechniken, die kombinatorische Optimierung beinhalten, wird mit 100 Trainingsgeometrien eine Genauigkeit von 3.25 kcal/mol erreicht. Mit den gefundenen Parametern und eine weniger aufwendigen Datenauswahlstrategie wurde chemische Genauigkeit (1 kcal/mol) mit 3750 Trainingsgeometrien erreicht.
Abstract
(Englisch)
The most important chemical property of molecules is the equilibrium energy and that of their molecular configurations. This thesis deals with the prediction of these energies from given data using statistical and machine learning approaches. The first part of the thesis deals with the construction of highly accurate potential energy surfaces for diatomic molecules using traditional functional approaches. The second part deals with more complex potential energy functions for small molecules HxOy and their training with reverse mode automatic differentiation, which offers better efficiency compared to finite differences or symbolic differentiation. In addition, a novel semi-supervised learning technique based on Shepard interpolation is presented, which is useful for training chemical data with minimal information on the target. The third part of the thesis discusses the QM9 challenge, the problem of predicting all 130K equilibrium energies of the QM9 dataset with chemical accuracy from the equilibrium energies for a tiny amount (less than 1%) of training geometries. By combining delta machine learning, hyperparameter tuning, and data selection techniques involving combinatorial optimization, an accuracy of 3.25 kcal/mol) is achieved with 100 training geometries. Using the training parameters found and a less expensive data selection strategy, chemical accuracy (1 kcal/mol) was achieved with 3750 training geometries.
Schlagwörter
Schlagwörter
(Deutsch)
maschinelles Lernen computergestützte Chemie Potentielle Energieoberfläche
Schlagwörter
(Englisch)
Machine learning Computational chemistry Potential energy surface
Autor*innen
Beryl Ramadhian Aribowo
Haupttitel (Englisch)
Machine learning for chemical data
Publikationsjahr
2024
Umfangsangabe
vii, 146 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*innen
Helmut Harbrecht ,
Nikolaos Sahinidis
Klassifikationen
31 Mathematik > 31.80 Angewandte Mathematik ,
35 Chemie > 35.06 Computeranwendungen
AC Nummer
AC17394865
Utheses ID
72678
Studienkennzahl
UA | 796 | 605 | 405 |