Login
- Original title:
- The Electrostatic Gap: Combining Electrostatic Models with Machine Learning Potentials
- Translated title:
- Der elektrostatische Gap: Ein Ansatz zur Kombination von elektrostatischen Modellen mit Machine-Learning Potentialen
- Author:
- Staacke, Carsten Gerald
- Year:
- 2022
- Document type:
- Dissertation
- Faculty/School:
- TUM School of Natural Sciences
- Advisor:
- Reuter, Karsten (Prof. Dr.)
- Referee:
- Reuter, Karsten (Prof. Dr.); Rupp, Jennifer (Prof. Dr.); Deringer, Volker (Prof. Dr.)
- Language:
- en
- Subject group:
- CHE Chemie
- Keywords:
- Machine Learning, Battery, Electrostatic
- TUM classification:
- CHE 150
- Abstract:
- 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.
- Translated abstract:
- 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
- Date of submission:
- 31.08.2022
- Oral examination:
- 14.10.2022
- File size:
- 10811048 bytes
- Pages:
- 99
- Urn (citeable URL):
- https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20221014-1686331-1-1
- Last change:
- 19.10.2023
BibTeX