Aplikace strojového učení k predikci energií ve fyzice pevných látek
Machine learning for prediction of energy in condensed matter physics
dc.contributor.advisor | Vybíral Jan | |
dc.contributor.author | Jiří Chmel | |
dc.date.accessioned | 2022-06-08T11:51:43Z | |
dc.date.available | 2022-06-08T11:51:43Z | |
dc.date.issued | 2022-05-27 | |
dc.identifier | KOS-1087893820505 | |
dc.identifier.uri | http://hdl.handle.net/10467/101353 | |
dc.description.abstract | S rostoucím výpočetním výkonem posledních desetiletí došlo k zvětšení množství dat o krystalických materiálech vypočtených metodami density functional theory. Tyto výpočty bývají extrémně časově náročné. Spolu s nebývalým vývojem strojového učení vznikla příležitost využití těchto dat k predikci fyzikálních vlastností a tedy možnost obejít zdlouhavý numerický výpočet. Ukazuje se, že najít vhodnou transformaci vstupních dat není jednoduché a závisí především na konkrétním materiálu a predikované fyzikální veličině. Tato práce zkoumá již vyvinuté transformace vstupních dat a na jejich základě vyvíjí nové. Tyto přístupy jsou testovány na datech z Fritz Haberova Institutu v Berlíně v kombinaci s mnoha metodami strojového učení. | cze |
dc.description.abstract | In solid-state physics, the increase in computational capabilities leads to bigger datasets computed using density functional theory. The computations are extremely expensive in terms of needed time. Combining the extraordinary advancements of machine learning and the available data, there is an opportunity to use the data for prediction of physical properties without the need to perform the expensive density functional theory calculations. It appears that it is not easy to find a proper transformation of the data and it depends on the data and the physical quantity we want to predict. This work reviews already established methods of data transformation and develops new ones based on the gathered knowledge. The new approaches are tested on datasets from Fritz Haber Institute of the Max Planck Society in Berlin combined with many machine learning methods. | eng |
dc.publisher | České vysoké učení technické v Praze. Vypočetní a informační centrum. | cze |
dc.publisher | Czech Technical University in Prague. Computing and Information Centre. | eng |
dc.rights | A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.html | eng |
dc.rights | Vysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html | cze |
dc.subject | datová analýza | cze |
dc.subject | density functional theory | cze |
dc.subject | fyzika materiálů | cze |
dc.subject | fyzika pevných látek | cze |
dc.subject | kvantová mechanika | cze |
dc.subject | strojové učení | cze |
dc.subject | condensed matter physics | eng |
dc.subject | data science | eng |
dc.subject | density functional theory | eng |
dc.subject | machine learning | eng |
dc.subject | quantum mechanics | eng |
dc.subject | solid-state physics | eng |
dc.title | Aplikace strojového učení k predikci energií ve fyzice pevných látek | cze |
dc.title | Machine learning for prediction of energy in condensed matter physics | eng |
dc.type | diplomová práce | cze |
dc.type | master thesis | eng |
dc.contributor.referee | Kolorenč Jindřich | |
theses.degree.discipline | Aplikované matematicko-stochastické metody | cze |
theses.degree.grantor | katedra matematiky | cze |
theses.degree.programme | Aplikace přírodních věd | cze |
Soubory tohoto záznamu
Tento záznam se objevuje v následujících kolekcích
-
Diplomové práce - 14101 [140]