Aplikace strojového učení k predikci energií ve fyzice pevných látek

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.

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.