Exploring the dynamics and speciation of defects in zeolites using machine learning and first principles simulations

• Název práce v češtině: Zkoumání dynamiky a speciace defektů v zeolitech pomocí strojového učení a ab initio výpočtů
• Název v anglickém jazyce: Exploring the dynamics and speciation of defects in zeolites using machine learning and first principles simulations
• Akademický rok vypsání: 2023/2024
• Typ práce: diplomová 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: 24.10.2023
• Datum zadání: 07.02.2024
• Datum potvrzení stud. oddělením: 08.02.2024
• Konzultanti: Christopher James Heard, Ph.D.

Předběžná náplň práce

Literární rešerše o speciaci defektů v zeolitech, včetně různých druhů hliníku (framework-associated nebo extra-framework) a defektů obsahujících silanolové skupiny.
Získání rozsáhlého datového souboru na úrovni ab initio pro možné druhy defektů za realistických podmínek (např. různé topologie zeolitů a obsah vody).
Zlepšení stávajících potenciálů založených na neuronových sítích za pomocí této datové sady obsahující defekty.
Rozsáhlé zkoumání (za použití potenciálů založených na neuronových sítích) relevantních zeolitických topologií obsahujících defekty za účelem určení jejich speciace a dynamiky jako funkci provozních parametrů (teplota, koncentrace defektu, obsah vody atd.).
Aplikace metod automatického vzorkování reakčních cest, např. prostřednictvím nejmodernějších diferenciálních simulací a variačních metod autokodéru, pro určení reaktivních cest při tvorby defektů a jejich interkonverze.

Předběžná náplň práce v anglickém jazyce

Literature research on defect speciation in zeolites, including framework-associated and extra-framework aluminum species and silanol-containing defects.
Acquisition of extensive dataset of ab initio data on perspective defective species under realistic conditions (e.g., various zeolite topologies and water contents).
Improvement of the existing neural network potentials using this defect-containing dataset.
Extensive neural-network-potential-driven investigation of relevant zeolitic topologies including defects determining the defect speciation and dynamics as a function of operational parameters (temperature, defect concentration, water content, etc.).
Application of automatic reaction pathway sampling methodologies, e.g., via state-of-the-art differential simulations and variational autoencoder methods to probe defect formation and interconversion pathways.