Benutzer: Gast  Login
Originaltitel:
Probabilistic Machine Learning Strategies for Coarse-Graining of Molecular Dynamics at Equilibrium
Übersetzter Titel:
Probabilistische Strategien des maschinellen Lernens zur Multiskalenmodellierung atomistischer Systeme
Autor:
Schöberl, Markus Josef Johann
Jahr:
2020
Dokumenttyp:
Dissertation
Fakultät/School:
Fakultät für Maschinenwesen
Betreuer:
Koutsourelakis, Phaedon-Stelios (Prof., Ph.D.); Zabaras, Nicholas (Prof., Ph.D.)
Gutachter:
Koutsourelakis, Phaedon-Stelios (Prof., Ph.D.); Zabaras, Nicholas (Prof., Ph.D.)
Sprache:
en
Fachgebiet:
MAT Mathematik; MTA Technische Mechanik, Technische Thermodynamik, Technische Akustik; PHY Physik
Stichworte:
predictive, machine learning, uncertainty quantification, predictive modeling, multiscale, robust, sparse learning, physics embedded
Übersetzte Stichworte:
predictive, machine learning, uncertainty quantification, predictive modeling, multiscale, robust, sparse learning, physics embedded
TU-Systematik:
MTA 009d; PHY 210d
Kurzfassung:
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...     »
Übersetzte Kurzfassung:
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...     »
WWW:
https://mediatum.ub.tum.de/?id=1537987
Eingereicht am:
13.02.2020
Mündliche Prüfung:
28.08.2020
Dateigröße:
17347433 bytes
Seiten:
247
Urn (Zitierfähige URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20200828-1537987-1-4
Letzte Änderung:
03.08.2021
 BibTeX