Vývoj molekulárních reprezentací pro aplikaci strojového učení v kvantové chemii a spektroskopii
Development of molecular representations suitable for machine learning application in quantum chemistry and spectroscopy
Type of document
diplomová prácemaster thesis
Author
Štěpán Sršeň
Supervisor
Železný Filip
Opponent
Svozil Daniel
Field of study
Umělá inteligenceStudy program
Otevřená informatikaInstitutions assigning rank
katedra počítačůRights
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.htmlVysokoškolská 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
Metadata
Show full item recordAbstract
Tato práce se zabývá aplikací strojového učení do oblasti kvantové chemie a spektroskopie, kde je hlavním problémem kvantitativních výpočtů jejich časová náročnost. Hlavním cílem je vývoj a testování vhodných molekulárních reprezentací neboli forem vstupního vektoru učení, které představují v této oblasti nejdůležitější součást regrese. Navrhuji zde různé přístupy založené mimo jiné na maticích atomových interakcí, na distribucích interakcí či na vypočítaných molekulových vlastnostech. Navrhované reprezentace poskytují na testovaných datových sadách aktuálně nejlepší publikované výsledky. Použití těchto reprezentací pro modelování spekter umožňuje snížení výpočetní náročnosti od jeden až dva řády. This work is focused on the application of machine learning into quantum chemistry and spectroscopy. The main problem of quantitative quantum chemical calculations are their high computational demands which we want to overcome by using machine learning techniques. The main goal of this work is the development of new molecular representations as it is the most important part of regression in this field. I propose various molecular representations based, for example, on matrices of atomic interactions, distributions of atomic interactions or precomputed molecular properties. Proposed representations provide better results in comparison with available literature. By using these representations, it possible to accelerate spectra modelling by up to two orders of magnitude.
Collections
- Diplomové práce - 13136 [892]