The structure and dynamics of materials using machine learning

Abstract

Diese Arbeit leistet einen Beitrag zur Entwicklung und Charakterisierung neuer Materialien. Für viele Simulationen, z. B. Molekulardynamik-Simulationen, die zur Berechnung von Materialeigenschaften benutzt werden, ist es notwendig die Gesamtenergie und ihre Ableitungen tausende Male zu berechnen. Diese Zahl steigt für lange Simulationen oder große Systeme leicht in die Millionen an, was trotz effizienter Methoden wie Dichte-Funktional-Theorie extrem hohe Rechenkosten verursacht. Das Ziel dieser Arbeit ist die Entwicklung von Strategien diese Hindernisse mittels maschinellen Lernmethoden zu umgehen.

This thesis provides a contribution to the problem of material discovery and characterization. Many simulations used to predict properties of materials, such as molecular dynamics and structural prediction, require thousands of total energy calculations (and its derivatives). This number can easily grow above millions for large systems or for long simulation times, which translates to high computational costs even for methods as efficient as density functional theory (which is the standard method to perform these calculations in material science). The aim of this thesis is to develop strategies to counter these obstacles using machine learning techniques.