Kernel-Based Machine Learning for Molecular Crystal Structure Prediction
Übersetzter Titel:
Kernel-Basiertes maschinelles Lernen für die Vorhersage von molekularen Kristallstrukturen
Autor:
Wengert, Simon Peter
Jahr:
2022
Dokumenttyp:
Dissertation
Fakultät/School:
TUM School of Natural Sciences
Betreuer:
Reuter, Karsten (Prof. Dr.)
Gutachter:
Reuter, Karsten (Prof. Dr.); Oberhofer, Harald (Prof. Dr.)
Sprache:
en
Fachgebiet:
CHE Chemie
TU-Systematik:
CHE 150
Kurzfassung:
Kernel-based supervised machine learning (ML) and methods from computational chemistry have been employed to develop accurate and computationally efficient models for application in molecular crystal structure predictions of single- and multi-component systems. Moreover, the application of kernel-based unsupervised ML on sophisticated structural representations of atomistic systems has been demonstrated to conveniently provide insights into corresponding data sets.
Übersetzte Kurzfassung:
Kernel-basiertes überwachtes maschinelles Lernen (ML) und Methoden der berechnenden Chemie wurden verwendet, um genaue und schnell auswertbare Modelle zur Kristallstrukturvorhersage von Einzel- und Mehrkomponenten-Systemen zu entwickeln. Darüber hinaus konnte gezeigt werden, dass die Anwendung von kernel-basiertem unüberwachtem ML auf hochentwickelte Repräsentationen atomistischer Systeme eine geeignete Möglichkeit darstellt, um Einblicke in entsprechende Datensätze zu erhalten.
Login
BibTeX