Zadání diplomové práce

Použití neuronových sítí v kvantové mechanice molekul

K nejdůležitějším oblastem kvantové mechaniky patří kvantová mechanika molekul. Ta se na základě Schrödingerovy rovnice snaží modelovat elektronové obaly atomů v kontextu vazeb mezi atomy v molekule a v kontextu změn těchto vazeb při chemických reakcích. Lze tedy říci, že na kvantové mechanice molekul spočívá kvantová chemie. V kvantové mechanice molekul se používá řada výpočetně náročných numerických metod, z nichž nejznámější jsou metoda založená na teorii funkcionálu hustoty (density fuinctional theory, DFT) a metoda Monte Carlo. Teprve nedávno se v kvantové mechanice molekul začaly používat i metody strojového učení, konkrétně neuronové sítě, které predikují vlastnosti elektronového obalu a jejich změny na základě pozic atomů uvažovaného souboru molekul, poté co byly trénovány na výsledcích výpočetně náročných metod.

Nejznámnější z takovýchto neuronových sítí je kolekce sítí MACE (Multi Atomic Cluster Expansion) natrénovaných na základě zhruba 150000 výpočtů provedných na 31 pracovištích v 7 zemích. Výpočty se týkaly zhruba 30000 anorganických sloučenin zkoumaných v letech 2011–2012 v rozsáhlém mezinárodním projektu s názvem Materials Project. Cílem navržené diplomové práce je studovat predikci různých sítí z kolekce MACE pro nová data dodaná vedoucím práce a studovat vliv dotrénování těmito novými daty na chování sítě.

Doporučená literatura

· I. Batatia et al. MACE: Higher Order Equivariant Message Passing Neural Networks for Fast and Accurate Force Fields.NeurIPS 2022.

· I. Batatia et al. A foundation model for atomistic materials chemistry. ArXiv:2401.00096v2, 2024.

· A. Jain et al. Commentary: The Materials Project: A materials genome approach to accelerating materials innovation. APL Materials 1 (2013), paper no. 011002.

· L.L. Schaaf et al. BoostMD: Accelerating molecular sampling by leveraging ML force field features from previous time-steps. arXiv:2412.18633v1.

· L.L. Schaaf et al. Accurate energy barriers for catalytic reaction pathways: an automatic training protocol for machine learning force fields. Computational Materials, 9 (2023), paper no.180.