Aarhus Universitets segl

Atomistic Global Optimization: Bias Through Machine Learning

Publikation: Bog/antologi/afhandling/rapportPh.d.-afhandling

Dokumenter

Fremskridt i forhold til materialer er enormt vigtigt for udvikling af teknologier
af alle arter, derfor er m ader at unders ge materialer meget vigtigt.
Den teoretisk beskrivelse af materialer er ekstremt pr cis, men dets brug
kr ver store computationelle ressourcer. For at kunne lave nogen form for
forudsigelse skal den rummelige kon guration af atomerne som materialet
best ar af kendes. Dette er et globalt optimerings problem, hvor form alet
er at  nde den kon guration der leder til den mindste energi. Desv rre
er evalueringen af denne funktion ofte en beregningsm ssig dyr a  re og
derfor bringer en ligelig udforskning af det kon gurationelle s gerum en
betragtlig beregningsm ssig omkostning. Algoritmer der kan introducere
sk vhed som kan dirigere s gningen mod regioner af s gerummet som med
h jere sandsynlighed indeholdere interessantte l snings kandidater er derfor
v rdifuldt. I denne afhandling fremstilles en meget generelt ramme for
global optimering af atomare strukturer, rammen best ar af en r kke elementer
som bruges til at introducere en s adan sk vhed. V rkt jskassen
der bliver brugt til udviklingen af speci kke versioner af disse elementer
er maskin l ring, grundet at dette giver en m ade at lade maskinen l re
hvordan sk vheder skal indf res samtidigt med at risikoen for at vildlede
s gningen p a grund af forudintagede ideer. I gennem afhandlingen bruges
en forst rkningsl rings metode som en af de centrale elementer i rammen,
og
ere forbedringer til denne metode bliver udforsket. Ved brug af alle elementerne
i rammen, p a m ader der involverer
ere forskellige dele af maskin
l ring, bliver en algoritme der er i stand til at l se komplicerede atomistiske
optimerings problemer med meget f a evalueringer af den dyre energifunktion
udviklet.
Bidragets oversatte titelAtomistisk Global Optimering: Skævhed Gennem Maskin Læring
OriginalsprogEngelsk
ForlagAarhus Universitet
Antal sider175
StatusUdgivet - nov. 2021

Se relationer på Aarhus Universitet Citationsformater

Download-statistik

Ingen data tilgængelig

ID: 220755172