MARC

 008250123s2024        us                              c    eng  d
■001000017163092
■00520250211152134
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384450320
■035    ▼a(MiAaPQ)AAI31483835
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a542
■1001  ▼aGuan,  Xingyi.
■24510▼aDesigning  Machine  Learning-Enhanced  Tools  and  Physics-Based  Techniques  for  Force  Field  and  Electrostatic  Models
■260    ▼a[Sl]▼bUniversity  of  California,  Berkeley▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a128  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-03,  Section:  B.
■500    ▼aAdvisor:  Head-Gordon,  Teresa.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2024.
■520    ▼aIn  recent  years,  the  landscape  of  molecular  science  has  been  profoundly  transformed  by  the  integration  of  data-driven  methodologies  alongside  traditional  deterministic  and  stochastic  approaches.  Historically,  the  study  of  molecular  behavior  and  interactions  relied  heavily  on  deterministic  algorithms,  which  follow  a  fixed  sequence  of  computational  steps  to  simulate  molecular  dynamics,  and  stochastic  simulations,  which  incorporate  randomness  to  explore  various  molecular  states  and  pathways.  These  methods  were  complemented  by  physical  models  grounded  in  the  established  principles  of  chemistry  and  physics,  forming  the  backbone  of  theoretical  molecular  science.  However,  these  conventional  approaches  often  faced  limitations  in  scalability,  computational  cost,  and  generalizability  for  complex  systems.  The  improvements  in  computational  hardware,  coupled  with  the  accumulation  of  vast  amounts  of  molecular  data,  have  enabled  the  development  of  models  that  can  surpass  traditional  methods  in  both  accuracy  and  efficiency,  leveraging  both  physics-based  and  machine  learning  (ML)  approaches.  This  dissertation  focuses  on  the  development  of  new  models  utilizing  more  accessible  data,  provides  guidelines  for  computational  data  generation,  and  explores  the  synergy  between  data  acquisition  strategies  and  data-driven  models.  These  studies  demonstrate  that  by  carefully  designing  data  acquisition  strategies  and  integrating  data-driven  models  with  physics-based  approaches,  it  is  possible  to  enhance  the  predictive  capabilities  of  computational  methods  in  chemistry,  particularly  in  force  field  development  and  electrostatic  modeling.  Through  a  series  of  studies,  this  work  illustrates  the  potential  of  combining  the  strengths  of  both  traditional  and  modern  computational  techniques  to  achieve  more  accurate  and  efficient  predictions  in  molecular  science.
■590    ▼aSchool  code:  0028.
■650  4▼aComputational  chemistry
■650  4▼aChemistry
■650  4▼aPhysics
■653    ▼aActive  learning
■653    ▼aElectrostatics
■653    ▼aMachine  learning
■653    ▼aTheoretical  chemistry
■653    ▼aMolecular  dynamics
■690    ▼a0219
■690    ▼a0485
■690    ▼a0605
■71020▼aUniversity  of  California,  Berkeley▼bChemistry.
■7730  ▼tDissertations  Abstracts  International▼g86-03B.
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17163092▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books