User: Guest  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