Login
- Originaltitel:
- The Electrostatic Gap: Combining Electrostatic Models with Machine Learning Potentials
- Übersetzter Titel:
- Der elektrostatische Gap: Ein Ansatz zur Kombination von elektrostatischen Modellen mit Machine-Learning Potentialen
- Autor:
- Staacke, Carsten Gerald
- Jahr:
- 2022
- Dokumenttyp:
- Dissertation
- Fakultät/School:
- TUM School of Natural Sciences
- Betreuer:
- Reuter, Karsten (Prof. Dr.)
- Gutachter:
- Reuter, Karsten (Prof. Dr.); Rupp, Jennifer (Prof. Dr.); Deringer, Volker (Prof. Dr.)
- Sprache:
- en
- Fachgebiet:
- CHE Chemie
- Stichworte:
- Machine Learning, Battery, Electrostatic
- TU-Systematik:
- CHE 150
- Kurzfassung:
- Many applications utilize lithium-ion batteries as their primary energy storage. However, the development of next-generation storage devices, significantly when a solid-state electrolyte is featured, is hindered by a poor understanding of material-property relations. In this thesis, methods for realistic modeling of such materials, combining short-range Machine Learning interatomic potentials and long-range electrostatics, are developed.
- Übersetzte Kurzfassung:
- Viele Anwendungen nutzen Lithium-Ionen-Batterien als primären Energiespeicher. Die Entwicklung von Energiespeichern der nächsten Generation, insbesondere wenn ein Festkörperelektrolyt zum Einsatz kommt, wird jedoch durch ein unzureichendes Verständnis der Material-Eigenschafts-Beziehungen behindert. In dieser Arbeit werden Methoden zur realistischen Modellierung solcher Materialien entwickelt. Diese kombinieren kurzreichweitige Machine Learning Kraftfelder mit langreichweitiger Elektrostatik.
- WWW:
- https://mediatum.ub.tum.de/?id=1686331
- Eingereicht am:
- 31.08.2022
- Mündliche Prüfung:
- 14.10.2022
- Dateigröße:
- 10811048 bytes
- Seiten:
- 99
- Urn (Zitierfähige URL):
- https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20221014-1686331-1-1
- Letzte Änderung:
- 19.10.2023
BibTeX