Řešení fázového problému v krystalografii metodami strojového učení

Abstract

Diplomová práce se zabývá aplikací metod strojového učení na klasický problém krystalografie tzv. fázový problém. V práci jsou popsány základy elektronové a rentgenové krystalografie a význam znalosti elektronové hustoty. Hlavní pozornost je věnována konvolučním neuronovým sítím a jejich využití při predikci fází na základě amplitud strukturních faktorů. Byla vytvořena syntetická trénovací data, navrženy vlastní metriky a ztrátové funkce a natrénováno několik modelů. Výsledky ukazují složitost predikce fází ve strukturách s nízkou mírou symetrie. Práce otevírá prostor pro další vývoj modelů s využitím v krystalografii.

The diploma thesis deals with the application of machine learning methods to a classical problem in crystallography the so-called phase problem. The work describes the fundamentals of electron and X-ray crystallography and the importance of understanding electron density. The main focus is on convolutional neural networks and their use in predicting phases based on the amplitudes of structure factors. Synthetic training data were generated, custom metrics and loss functions were designed, and several models were trained. The results demonstrate the complexity of phase prediction in structures with low symmetry. The thesis paves the way for further development of models for use in crystallography.