MARC

 008260126s2025        us                              c    eng  d
■001000017356897
■00520260202103057
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798286432172
■035    ▼a(MiAaPQ)AAI31933075
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a530
■1001  ▼aPocher,  Liam  Alexander.▼0(orcid)0000-0003-3751-1026
■24510▼aMeasurement,  Simulation,  and  Compact  Modeling  of  Complex  Electron  Dynamics
■260    ▼a[Sl]▼bUniversity  of  Maryland,  College  Park▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a194  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-12,  Section:  B.
■500    ▼aAdvisor:  Lathrop,  Daniel  P.;O'Shea,  Patrick  G.
■5021  ▼aThesis  (Ph.D.)--University  of  Maryland,  College  Park,  2025.
■520    ▼aSystems  containing  large  numbers  of  electrons  can  exhibit  surprisingly  complex  and  rich  dynamics.  In  this  dissertation,  we  ask:  What  is  the  minimum  necessary  detail  in  measurement  or  data-driven  modeling  and  simulation  to  capture  complex  dynamics  manifesting  from  these  systems?  To  answer  this,  we  integrate  experiment,  simulation,  and  theory  to  understand  their  complex  dynamics.  In  this  dissertation,  we  examine  two  such  systems:  (i)  a  superparamagnetic  tunnel  junction  (SMTJ)  and  (ii)  charged-particle  beam  dynamics.We  first  consider  the  deterministic-stochastic  behavior  of  a  constant-current  driven  SMTJ,  where  we  create  a  measurement-driven  overdamped  Langevin  model  capturing  statistical  properties  of  the  device.  We  show  both  how  this  model  captures  device  statistics  across  time  scales  and  how  it  can  be  refined  to  capture  higher-order  behavior.We  next  examine  the  centroid  motion  of  a  charged-particle  beam  and  propose  a  method  for  understanding  and  predicting  it  using  an  interpretable,  data-driven  approach  whose  output  is  directly  identifiable  to  terms  in  underlying  low-dimensional  evolution  equations.  We  derive  the  evolution  equations  solely  on  the  basis  of  data-with  no  recourse  to  an  underlying  first  principles  model.  We  compare  and  contrast  our  methodology  with  both  a  machine  learning  technique  and  a  first  principles  model,  and  we  show  that  we  can  learn  interpretable  equations  for  nonlinear  beam  dynamics  at  lower  computational  cost  while  achieving  comparable  accuracy.Lastly,  we  investigate  the  phase  space  evolution  of  a  charged-particle  beam.  Accurate  knowledge  of  the  phase  space  at  beam  creation  is  crucial  for  understanding  and  predicting  beam  dynamics.  We  measure  a  velocity  space  modulation  to  initialize  the  phase  space  of  first  principle  simulations  and  capture  beam  statistics  and  internal  beam  structure-resembling  a  cruciform-with  high  fidelity.  This  contrasts  with  both  employed  first  principles  models-which  do  not  account  for  beam  structure  as  they  assume  a  uniform  beam  cross  section-and  simulations  using  ideal  phase  space  distributions.  Finally,  we  demonstrate  sensitivity  to  beam  and  lattice  parameters  varied  within  experimental  measurement  error.
■590    ▼aSchool  code:  0117.
■650  4▼aPhysics
■650  4▼aApplied  physics
■650  4▼aComputational  physics
■650  4▼aElectromagnetics
■650  4▼aCondensed  matter  physics
■653    ▼aLangevin  model
■653    ▼aPhase  space  evolution
■653    ▼aData-driven  modeling
■653    ▼aCharged-particle  beam  dynamics
■653    ▼aSuperparamagnetic  tunnel  junction
■690    ▼a0605
■690    ▼a0215
■690    ▼a0216
■690    ▼a0611
■690    ▼a0607
■71020▼aUniversity  of  Maryland,  College  Park▼bPhysics.
■7730  ▼tDissertations  Abstracts  International▼g86-12B.
■790    ▼a0117
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17356897▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서