Metody strojového učení ve fyzice pevných látek

Abstract

Strojové učení lze použít k efektivní předpovědi parametrů testovacích dat na základě dat trénovacích. Jedněmi z používaných metod strojového učení jsou metody Kernel Ridge Regression a LASSO, které obě vycházejí z lineární regrese. V této bakalářské práci bude čtenář nejprve seznámen s výše zmíněnými metodami na teoretické úrovni. Reálná aplikace metod probíhá na datech pocházejících z výzkumné oblasti zkoumající materiály potencionálně vhodné k výrobě solárních panelů. Vhodné vlastnosti těchto materiálů zavisí na dvou energiích, formační energii a energii zakázaného pásu. Všechny potřebné informace o konkrétních datech obdrží čtenář v druhé kapitole. Poslední částí této práce je vlastní program obsahující výpočty výstupních parametrů pomocí metody Kernel Ridge Regression a jeho postupné modifikace a vylepšení.

Machine learning can be used to effectively predict test data parameters based on training data. One of the machine learning methods used is the Kernel Ridge Regression and LASSO methods, both of which are based on linear regression. In this bachelor's thesis, the reader will first be introduced to the above methods at a theoretical level. The real application of the methods is based on data from the research area examining materials potentially suitable for the production of solar panels. The suitable properties of these materials depend on two energies, the formation energy and the band gap energy. The reader will get all the necessary information about specific data in the second chapter. The last part of this work is a program containing calculations of output parameters using the Kernel Ridge Regression method and its gradual modifications and improvements.