MARC

 008250123s2024        us                              c    eng  d
■001000017164085
■00520250211152830
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798346532736
■035    ▼a(MiAaPQ)AAI31560473
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a542
■1001  ▼aDuschatko,  Blake  R.▼0(orcid)0009-0008-8632-3199
■24510▼aMachine  Learned  Coarse  Grained  Force  Fields  for  Dimensionality  Reduction  in  Computational  Materials  Design
■260    ▼a[Sl]▼bHarvard  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a129  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-05,  Section:  B.
■500    ▼aAdvisor:  Kozinsky,  Boris.
■5021  ▼aThesis  (Ph.D.)--Harvard  University,  2024.
■520    ▼aComputational  materials  science  enables  unique  insight  into  atomistic  processes  that  cannot  be  probed  with  current  experimental  apparatuses.  For  decades,  the  field  has  offered  new  understanding  in  a  variety  of  material  domains,  ranging  from  polymers,  proteins,  and  biophysics  to  battery  materials,  solvents,  and  many  others.  Of  particular  interest  are  molecular  dynamics  studies  that  can  be  used  to  analyze  the  kinetic  and  thermodynamic  behavior  of  such  systems.Machine  learning  has  shown  to  be  a  valuable  tool  in  modeling  the  potential  energy  surface  required  for  these  methods.  Despite  significant  progress  in  both  the  hardware,  software,  and  theoretical  capabilities  of  molecular  dynamics  approaches  and  machine  learning,  studying  atomistic  processes  with  long  spatial  and  temporal  scales  at  full  atomistic  resolution  becomes  prohibitive.  To  this  end,  coarse  graining  is  a  crucial  alternative  that  enables  the  study  of  these  systems  with  more  fine  tuned  control  than  can  be  achieved  in  experimental  setups,  while  also  retaining  a  higher  degree  of  spatial  and  temporal  fidelity  than  would  be  possible  experimentally.  In  this  dissertation,  I  will  introduce  a  flexible  Bayesian  force  field  approach  to  design  coarse  grained  free  energy  models.  These  novel  methods  enable  an  automated  approach  to  the  data  collection  process,  while  most  importantly  allowing  for  highly  transferable  models.  I  will  further  demonstrate  how  new  approaches  that  utilize  the  integration  of  physics  principles  can  provide  more  accurate  and  robust  machine  learning  models  for  coarse  graining  applications.  Finally,  I  will  discuss  on-going  and  future  developments,  applications,  and  considerations  for  the  future  of  computational  materials  exploration  using  these  scalable  and  accurate  methodological  advancements.
■590    ▼aSchool  code:  0084.
■650  4▼aComputational  chemistry
■650  4▼aComputational  physics
■650  4▼aMaterials  science
■653    ▼aCoarse  graining
■653    ▼aForce  fields
■653    ▼aInteratomic  potentials
■653    ▼aMachine  learning
■690    ▼a0219
■690    ▼a0216
■690    ▼a0794
■71020▼aHarvard  University▼bEngineering  and  Applied  Sciences  -  Applied  Physics.
■7730  ▼tDissertations  Abstracts  International▼g86-05B.
■790    ▼a0084
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164085▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books