Homology and machine learning for materials informatics
Tid: Fr 2023-03-24 kl 15.00
Plats: Hörsal 4, Hus 2, Albanovägen 18
Språk: Engelska
Ämnesområde: Fysik, Teoretisk fysik
Respondent: Bart Olsthoorn , Nordic Institute for Theoretical Physics NORDITA, Kondenserade materiens teori
Opponent: Professor O. Anatole von Lilienfeld, University of Toronto, Kanada
Handledare: Jens H. Bardarson, Kondenserade materiens teori; Alexander V. Balatsky, Nordic Institute for Theoretical Physics NORDITA
QC 230227
Abstract
Materialinformatik är ett forskningsområde där materialvetenskap kombineras med modern datavetenskap. Detta datadrivna tillvägagångssätt drivs av den växande tillgängligheten av beräkningskraft och lagringskapacitet. Utvecklingen och tillämpningen av dessa metoder accelererar materialvetenskapen och utgör ett effektivt sätt att studera och modellera materialegenskaper. Denna avhandling är en sammanställning av teoretiska och beräkningstekniska arbeten som kan delas in i tre nyckelområden: materialdatabaser, maskininlärning för material och homologi för material.
Maskininlärning och datautvinning är beroende av tillgången på materialdatabaser för att testa metoder och modeller. Organic Materials Database (OMDB) innehåller data för kristallin struktur och elektroniska egenskaper för ett stort antal organiska kristaller. De elektroniska egenskaperna hos de organiska kristallerna beräknas med hjälp av materialmodellering i atomskala, vilket är beräkningsmässigt dyrt då organiska kristaller vanligtvis innehåller många atomer i enhetscellen. Emellertid kan den resulterande datan användas i en mängd olika materialinformatikapplikationer. Vi demonstrerar datautvinning för att söka material till sensor för mörk materia som ett exempel på applikation.
Maskininlärningsmetoder kan fånga förhållanden mellan struktur och egenskap hos material, och därmed påskynda upptäckten av nya material med önskade egenskaper. Detta utforskas genom att undersöka egenskaperna hos de organiska kristallerna i OMDB. Till exempel använder vi övervakat lärande på elektroniska bandgap, en viktig materiell egenskap för tekniska tillämpningar. Oövervakat lärande används för att konstruera en dimensionsreducerad kemisk rymd som avslöjar intressanta kluster av material.
Slutligen är ihållande homologi en relativt ny metod från området algebraisk topologi som studerar de former som finns i data i olika längdskalor. I denna avhandling används metoden för att studera magnetiska material och deras fasövergångar. Mer specifikt, när det gäller klassiska modeller, använder vi ihållande homologi för att detektera fasövergången direkt från samplade spin-konfigurationer. För kvantspinnmodeller fångas faserna i strukturen hos den kvantmekaniska sammanflätningen och en plötslig förändring avslöjar en kvantfasövergång.
Sammantaget utgör dessa tre ämnen ett bra exempel på hur materialegenskaper kan studeras med moderna datavetenskapliga metoder. Verktygen kan användas i kombination med traditionella metoder inom materialvetenskap och påskynda materialdesign.