Exploring the dynamics and speciation of defects in zeolites using machine learning and first principles simulations
| Thesis title in Czech: | Zkoumání dynamiky a speciace defektů v zeolitech pomocí strojového učení a ab initio výpočtů |
|---|---|
| Thesis title in English: | Exploring the dynamics and speciation of defects in zeolites using machine learning and first principles simulations |
| Academic year of topic announcement: | 2023/2024 |
| Thesis type: | diploma thesis |
| Thesis language: | angličtina |
| Department: | Department of Physical and Macromolecular Chemistry (31-260) |
| Supervisor: | doc. RNDr. Lukáš Grajciar, Ph.D. |
| Author: | hidden - assigned and confirmed by the Study Dept. |
| Date of registration: | 24.10.2023 |
| Date of assignment: | 07.02.2024 |
| Confirmed by Study dept. on: | 08.02.2024 |
| Advisors: | Christopher James Heard, Ph.D. |
| Preliminary scope of work |
| 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. |
| Preliminary scope of work in English |
| 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. |