Login
- Originaltitel:
- Advances in Neural Network Potentials for Molecular Dynamics Simulations: Physics-Informed Training and Uncertainty Quantification
- Übersetzter Titel:
- Fortschritte bei neuronalen Netzwerkpotentialen für Moleküldynamiksimulationen: Physikbasiertes Training und Unsicherheitsquantifizierung
- Autor:
- Thaler, Stephan
- Jahr:
- 2023
- Dokumenttyp:
- Dissertation
- Fakultät/School:
- TUM School of Engineering and Design
- Betreuer:
- Zavadlav, Julija (Prof. Dr.)
- Gutachter:
- Zavadlav, Julija (Prof. Dr.); Koutsourelakis, Phaedon-Stelios (Prof., Ph.D); Praprotnik, Matej (Prof., Ph.D)
- Sprache:
- en
- Fachgebiet:
- PHY Physik
- TU-Systematik:
- WER 000
- Kurzfassung:
- Neural network potentials (NNPs) promise accurate molecular dynamics (MD) simulations, but require a large amount of training data. This thesis studies approaches to improve the accuracy and reliability of NNPs, including Differentiable Trajectory Reweighting for training on experimental data, relative entropy minimization and scalable uncertainty quantification for MD observables. These approaches pave the way for NNP-based MD simulations for in-silico design and real-world decision-making.
- Übersetzte Kurzfassung:
- Neuronale Netzwerkpotentiale (NNPs) versprechen genaue Moleküldynamik (MD) Simulationen, erfordern aber viele Trainingsdaten. Diese Arbeit untersucht Ansätze zur Verbesserung der Genauigkeit und Zuverlässigkeit von NNPs, darunter Differentiable Trajectory Reweighting für das Training mit experimentellen Daten, relative Entropieminimierung und skalierbare Unsicherheitsquantifizierung für MD-Observablen. Diese Ansätze ebnen den Weg für den Einsatz von NNP-basierten MD-Simulationen in der Praxis.
- WWW:
- https://mediatum.ub.tum.de/?id=1712586
- Eingereicht am:
- 26.06.2023
- Mündliche Prüfung:
- 08.11.2023
- Dateigröße:
- 27273906 bytes
- Seiten:
- 172
- Urn (Zitierfähige URL):
- https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20231108-1712586-1-7
- Letzte Änderung:
- 20.12.2023
BibTeX