008240612s2023      us  |||||||||||||||c||eng  d
■001000016934643
■00520240214101637
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380130714
■035    ▼a(MiAaPQ)AAI30632017
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a530
■1001  ▼aPederson,  Ryan.
■24510▼aDeveloping  Density  Functional  Theory  With  Physical  Prior  Knowledge▼h[electronic  resource]
■260    ▼a[S.l.]:▼bUniversity  of  California,  Irvine.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(224  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-02,  Section:  B.
■500    ▼aAdvisor:  Burke,  Kieron.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Irvine,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aDensity  functional  theory  (DFT)  has  been  used  extensively  over  the  past  several  decades  and  across  many  branches  of  science.  The  success  of  DFT  lies  in  its  relatively  low-cost  and  usefully  high  accuracy  in  many  practical  systems  of  interest.  However,  there  are  still  many  instances,  such  as  strongly  correlated  systems  or  systems  at  high  temperatures,  where  conventional  DFT  approaches  are  no  longer  reliable.  In  addition,  reliable  DFT  approaches  are  often  computationally  intractable  for  large  system  sizes,  limiting  their  scope  of  application  in  realistic  system  settings.  This  dissertation  is  a  collection  of  my  contributions  to  address  these  fundamental  challenges  in  the  field.  A  common  theme  across  all  projects  is  the  use  of  physical  prior  knowledge  to  motivate  or  (in)directly  constrain  the  methods  and  techniques  developed.  In  Chapter  1,  I  provide  context  for  the  research  presented  in  the  following  self-contained  chapters.  Chapter  2  introduces  condition  probability  DFT  (CP-DFT)  as  a  new  and  alternative  density  functional  approach  to  obtain  conditional  probability  densities  and  ground-state  energies.  Chapter  3  expands  upon  the  previous  chapter  by  establishing  CP-DFT  as  a  formally  exact  theory  and  derives  several  key  physical  properties  of  CP  densities  and  corresponding  potentials  used  in  the  theory.  Chapter  4  analyzes  and  discusses  the  role  of  exact  physical  conditions  (constraints)  in  developing  conventional  Kohn-Sham  DFT  exchange-correlation  (XC)  approximations.  Chapter  5  introduces  the  Kohn-Sham  regularizer  method  for  training  neural  network-based  XC  models  for  strongly  correlated  systems.  Chapter  6  expands  on  the  previous  chapter  by  developing  a  spin-adapted  Kohn-Sham  regularizer  and  demonstrating  impressive  generalizability  on  weakly  correlated  systems.  Finally,  Chapter  7  explores  the  repurposing  of  Tensor  Processing  Units  -  hardware  designed  for  machine-learning  tasks  -  for  large-scale  DFT  calculations  by  utilizing  algorithms  that  exploit  physical  properties  of  the  density  matrix.
■590    ▼aSchool  code:  0030.
■650  4▼aCondensed  matter  physics.
■650  4▼aTheoretical  physics.
■653    ▼aDensity  functional  theory
■653    ▼aDensity  matrix
■653    ▼aPhysical  conditions
■653    ▼aFundamental  challenges
■653    ▼aCorrelated  systems
■690    ▼a0611
■690    ▼a0753
■71020▼aUniversity  of  California,  Irvine▼bPhysics.
■7730  ▼tDissertations  Abstracts  International▼g85-02B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0030
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16934643▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024