User: Guest  Login
Original title:
Probabilistic Machine Learning Strategies for Coarse-Graining of Molecular Dynamics at Equilibrium 
Translated title:
Probabilistische Strategien des maschinellen Lernens zur Multiskalenmodellierung atomistischer Systeme 
Year:
2020 
Document type:
Dissertation 
Institution:
Fakultät für Maschinenwesen 
Advisor:
Koutsourelakis, Phaedon-Stelios (Prof., Ph.D.); Zabaras, Nicholas (Prof., Ph.D.) 
Referee:
Koutsourelakis, Phaedon-Stelios (Prof., Ph.D.); Zabaras, Nicholas (Prof., Ph.D.) 
Language:
en 
Subject group:
MAT Mathematik; MTA Technische Mechanik, Technische Thermodynamik, Technische Akustik; PHY Physik 
Keywords:
predictive, machine learning, uncertainty quantification, predictive modeling, multiscale, robust, sparse learning, physics embedded 
Translated keywords:
predictive, machine learning, uncertainty quantification, predictive modeling, multiscale, robust, sparse learning, physics embedded 
TUM classification:
MTA 009d; PHY 210d 
Abstract:
Advances in biomolecular processes, materials science, and nanotechnology are hindered because the scales that are used in atomistic systems are not parallel. Resolving local oscillations in robust all-atom molecular dynamics simulations requires time steps in the order of femtoseconds (1.0e-15 s), while relevant biochemical processes take place on timescales that exceed several milliseconds (1.0e-3 s). This discrepancy – of more than 12 orders of magnitude between the simulation time horizon...    »
 
Translated abstract:
Der antiparallele Verlauf inhärenter Zeit- und Längenskalen atomistischer Systeme beeinträchtigt die Erforschung von biomolekularen Prozessen und Fortschritten in Materialwissenschaft und Nanotechnologie. Während biochemische Prozesse einen Zeithorizont von einigen Millisekunden (1.0e-3 s) einnehmen, benötigen Molekulardynamik-Simulationen zur Auflösung lokaler Oszillationen einen Zeitschritt von Femtosekunden (1.0e-15 s). Eine Diskrepanz von mehr als zwölf Größenordnungen zwischen relevanten...    »
 
Oral examination:
28.08.2020 
File size:
17347433 bytes 
Pages:
247 
Last change:
03.08.2021