MARC

 008240612s2023      us  |||||||||||||||c||eng  d
■001000016934361
■00520240214101600
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380119498
■035    ▼a(MiAaPQ)AAI30575718
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a539.7
■1001  ▼aButler,  Julie  Lynn.
■24510▼aMachine  Learning  and  Coupled  Cluster  Theory  Applied  to  Infinite  Matter▼h[electronic  resource]
■260    ▼a[S.l.]:▼bMichigan  State  University.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(163  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-02,  Section:  B.
■500    ▼aAdvisor:  Hjorth-Jensen,  Morten.
■5021  ▼aThesis  (Ph.D.)--Michigan  State  University,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aAn  initio  many-body  methods,  such  as  coupled  cluster  theory,  are  able  to  make  accurate  predictions  on  systems,  even  if  no  experimental  data  for  the  system  exists.  This  makes  them  an  invaluable  tool  for  studying  exotic  nuclei  or  systems,  such  as  infinite  matter,  where  experimental  results  are  sparse.  However,  the  performance  and  accuracy  of  a  coupled  cluster  calculation  suffer  from  truncations  of  the  cluster  operator  and  basis  truncations,  both  of  which  are  needed  to  reduce  the  scale  of  the  problem  such  that  it  is  computationally  feasible.  Additionally,  when  coupled  cluster  theory  is  applied  to  systems  of  infinite  matter  (the  homogeneous  electron  gas  and  infinite  nuclear  matter),  the  number  of  particles  in  the  system  must  also  be  truncated  to  a  finite  number,  this  introduces  another  source  of  error  in  the  calculations.  Finally,  when  modeling  all  nuclear  systems,  including  infinite  nuclear  matter,  the  choice  of  nuclear  interaction  can  greatly  affect  both  the  results  and  the  computational  run  time.  Simple  nuclear  interactions,  such  as  the  Minnesota  potential,  have  comparatively  small  run  times  but  lack  the  accuracy  of  computationally  more  complex  interactions  which  are  derived  from  effective  field  theory.The  goal  of  this  thesis  is  to  improve  the  accuracy  of  coupled  cluster  calculations  applied  to  two  infinite  matter  systems:  the  homogeneous  electron  gas  and  two  infinite  nuclear  matter  system  (pure  neutron  matter  and  symmetric  nuclear  matter).  Coupled  cluster  calculations  at  the  doubles  and  triples  levels  will  be  compared  to  determine  if  the  increase  in  computational  time  is  worth  the  increase  in  accuracy.  Additionally,  two  different  nuclear  interactions  will  be  tested  on  calculations  of  pure  neutron  matter:  a  toy  model  called  the  Minnesota  potential,  which  is  computationally  simple,  and  a  much  more  complex  set  of  optimized  interactions  which  are  derived  from  effective  field  theory,  which  increase  the  accuracy  but  also  the  computational  run  time. Finally,  the  main  part  of  this  thesis  is  devoted  to  the  development  of  a  simple  machine  learning  algorithm  that  can  accurately  extrapolate  coupled  cluster  calculations  of  infinite  systems  separately  to  the  complete  basis  limit  and  the  thermodynamic  limit.  This  algorithm,  known  as  sequential  regression  extrapolation,  combines  a  Bayesian  machine  learning  algorithm  with  a  unique  way  of  formatting  the  training  data  to  create  a  powerful  and  accurate  extrapolate  that  can  be  trained  on  very  little  data,  does  not  require  hyperparameter  tuning,  and  can  automatically  produce  uncertainties  on  its  predictions.  With  this  method,  we  are  able  to  accurately  predict  the  coupled  cluster  correlation  energies  of  infinite  matter  systems  accurately  in  the  complete  basis  and  thermodynamic  limits  while  savings  months  of  computational  time  in  the  process.
■590    ▼aSchool  code:  0128.
■650  4▼aNuclear  physics.
■650  4▼aQuantum  physics.
■650  4▼aComputational  physics.
■653    ▼aCoupled  cluster  theory
■653    ▼aGaussian  processes
■653    ▼aHomogeneous  electron  gas
■653    ▼aInfinite  nuclear  matter
■653    ▼aMachine  learning
■653    ▼aMany-body  theory
■690    ▼a0756
■690    ▼a0599
■690    ▼a0800
■690    ▼a0216
■71020▼aMichigan  State  University▼bPhysics  -  Doctor  of  Philosophy.
■7730  ▼tDissertations  Abstracts  International▼g85-02B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0128
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16934361▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

Preview

Export

ChatGPT Discussion

AI Recommended Related Books