Universitätsbibliothek Wien

Polaron configurational energies using machine learning

Birschitzky, Viktor Christian (2020) Polaron configurational energies using machine learning.
Masterarbeit, University of Vienna. Fakultät für Physik
BetreuerIn: Franchini, Cesare
Keine Volltext-Freigabe durch VerfasserIn.

[img] PDF-File - Zur Anzeige nicht freigegeben
Alle Rechte vorbehalten / All rights reserved

-
URN: urn:nbn:at:at-ubw:1-29582.09049.477568-2

Link zu u:search

Abstract in English

Polarons are observed in a wide range of materials, and represent an interesting and fertile research field in material science due to their fundamental importance and promising potential applications. Modeling polaron formation and dynamics by first principles techniques, such as density functional theory (DFT), has been proven as a powerful tool, especially in the recent years. However, seeking the polaronic ground state is often a quite challenging task to achieve via standard computational methods, as a consequence of the large configurational space available for polarons. In this work, we apply data-driven machine learning methods to the polaron problem, in order to facilitate the calculation of the energy for large numbers of polaronic configurations. By testing different schemes, we were able to realize a model which is able to predict the polaron energy on rutile $\mathrm{TiO_2}$(110), with accuracy at DFT level. Based on these results, we successfully reproduced the phase diagram of this material, which is known to depend strongly on polarons. Our results represent a first step towards a more general machine-learning algorithm which may be able to study the polaron properties in any material at low computational cost.

Schlagwörter in Englisch

Polarons / Machine Learning / Configurational Energy / Feature Engineering / Small Polarons / Rutile Titanium Dioxide / Oxygen Vacancies / Kernel Ridge Regression / Neural Networks

Abstract in German

Polaronen werden in einer Vielzahl von Materialien beobachtet und stellen aufgrund ihrer fundamentalen Bedeutung und vielversprechender potenzieller Anwendungen ein interessantes und fruchtbares Forschungsfeld in der Materialwissenschaft dar. Die Modellierung der Polaronenbildung und -dynamik durch \texit{ab initio} Methoden, wie Dichtefunktionaltheorie (DFT), hat sich insbesondere in den letzten Jahren als nützliches Werkzeug erwiesen. Die Suche nach dem polaronischen Grundzustand ist jedoch aufgrund des großen Konfigurationsraums, der für Polaronen zur Verfügung steht, mit Standard-Berechnungsmethoden eine anspruchsvolle Aufgabe. In dieser Arbeit wenden wir datengetriebene Methoden des maschinellen Lernens auf das Polaronproblem an, um die Berechnung der Energie für eine große Anzahl von polaronischen Konfigurationen zu beschleunigen. Durch das Testen verschiedener Schemata konnten wir ein Modell realisieren, das in der Lage ist, Polaronenenergien auf Rutil $\mathrm{TiO_2}$(110) mit einer Genauigkeit auf DFT-Niveau vorherzusagen. Auf der Grundlage dieser Ergebnisse konnten wir erfolgreich das Phasendiagramm dieses Materials reproduzieren, von dem bekannt ist, dass es stark von Polaronen abhängt. Unsere Ergebnisse stellen einen ersten Schritt hin zu einem allgemeineren Machine-Learning-Schema dar, das in der Lage sein könnte, Polaron-Eigenschaften in jedem Material mit geringem Rechenaufwand zu untersuchen.

Schlagwörter in Deutsch

Polaronen / Maschinelles Lernen / Konfigurationsenergie / Feature Engineering / Kleine Polaronen / Rutil Titandioxid / Sauerstofffehlstellen / Kernel Ridge Regression / Neuronale Netzwerke

Item Type: Hochschulschrift (Masterarbeit)
Author: Birschitzky, Viktor Christian
Title: Polaron configurational energies using machine learning
Umfangsangabe: iii, 83 Seiten : Diagramme
Institution: University of Vienna
Faculty: Fakultät für Physik
Studiumsbezeichnung bzw.
Universitätslehrgang (ULG):
Masterstudium Computational Science
Publication year: 2020
Language: eng ... Englisch
Supervisor: Franchini, Cesare
Assessor: Franchini, Cesare
Classification: 33 Physik > 33.90 Physik in Beziehung zu anderen Fachgebieten
33 Physik > 33.61 Festkörperphysik
33 Physik > 33.68 Oberflächen, Dünne Schichten, Grenzflächen
54 Informatik > 54.76 Computersimulation
54 Informatik > 54.72 Künstliche Intelligenz
AC Number: AC16154735
Item ID: 63723
(Das PDF-Layout ist ident mit der Druckausgabe der Hochschulschrift.)

Urheberrechtshinweis: Für Dokumente, die in elektronischer Form über Datennetze angeboten werden, gilt uneingeschränkt das österreichische Urheberrechtsgesetz; insbesondere sind gemäß § 42 UrhG Kopien und Vervielfältigungen nur zum eigenen und privaten Gebrauch gestattet. Details siehe Gesetzestext.

Edit item (Administrators only) Edit item (Administrators only)