Accelerating reactive in silico modelling under realistic conditions
| Název práce v češtině: | Zrychlení in silico modelování reaktivních procesů za realistických podmínek |
|---|---|
| Název v anglickém jazyce: | Accelerating reactive in silico modelling under realistic conditions |
| Klíčová slova: | Kvantová chemie, metody funkcionálu hustoty, modelování, výpočetní chemie, metody strojového učení, neuronové sítě, molekulová dynamika, monte carlo, reaktivní silové pole, materiálová chemie, nanomateriály, katalýza |
| Klíčová slova anglicky: | Quantum chemistry, density functional theory, modelling, computational chemistry, machine learning, neural networks, molecular dynamics, monte carlo, reactive force fields, material chemistry, nanomaterials, catalysis |
| Akademický rok vypsání: | 2020/2021 |
| Typ práce: | disertační práce |
| Jazyk práce: | angličtina |
| Ústav: | Katedra fyzikální a makromol. chemie (31-260) |
| Vedoucí / školitel: | doc. RNDr. Lukáš Grajciar, Ph.D. |
| Řešitel: | skrytý - zadáno a potvrzeno stud. odd. |
| Datum přihlášení: | 09.10.2020 |
| Datum zadání: | 09.10.2020 |
| Datum potvrzení stud. oddělením: | 15.03.2021 |
| Konzultanti: | Dr. rer. nat. Andreas Erlebach |
| Předběžná náplň práce |
| Přehled literatury - Implementace automatizovaných nástrojů pro extrakci literárních informací, například zde (https://pubs.acs.org/doi/10.1021/acscentsci.9b00193) - Aplikace pro vybrané systémy ve skupině pro modelování nanomateriálů (http://physchem.cz/research/nanomaterials-modeling/) Silové pole získané díky strojovému učení - Vývoj silových polí získaných díky strojovému učení založený na hlubokých neuronových sítích a / nebo na kernel ridge regressioin (Gaussův proces) - Aplikace pro vybrané systémy ve skupině pro modelování nanomateriálů (http://physchem.cz/research/nanomaterials-modeling/) Pokročilá molekulární dynamika a metody Monte Carlo - Testování a vývoj hybridních schémat Monte Carlo (MC) (v kolaboraci), které spojují ab initio výpočty s vypočty silovými poly získanými díky strojovému učení - Aplikace biasované molekulární dynamiky (MC) pro studium reaktivních chemických transformací - Testování a vývoj strojově naučených kolektivních proměnných pro ovlivnění biasování v simulacích MD / MC - Aplikace pro vybrané systémy ve skupině pro modelování nanomateriálů (http://physchem.cz/research/nanomaterials-modeling/) |
| Předběžná náplň práce v anglickém jazyce |
| Literature search - Testing and searching for automated tools for extracting literature information such as here (https://pubs.acs.org/doi/10.1021/acscentsci.9b00193, http://chemdataextractor.org) - Testing and searching for automated tools for transition state search (such as here https://duartegroup.github.io/autodE/index.html or here https://theory.cm.utexas.edu/tsase/index.html) - Application for particular systems of interest in the Nanomaterials Modeling group (http://physchem.cz/research/nanomaterials-modeling/) Machine learning force fields - Development of machine learning force fields based on deep neural networks and/or kernel ridge regression (gaussian process regression) - Application for particular systems of interest in the Nanomaterials Modeling group Advanced Molecular dynamics and Monte Carlo methods - Testing and development of hybrid Monte Carlo (MC) schemes (in collaration) to couple first principle calculations with machine learnging force fields - Application of biased molecular dynamics (MC) for investigation of reactive chemical transformation - Testing and development of machine-learned collective variables to drive the biasing in MD/MC simulations - Application for particular systems of interest in the Nanomaterials Modeling group |