Novel geometric representations and optimized frameworks for deep learning models of interatomic potentials
Aquesta tesi explora avenços en potencials de xarxes neuronals per a simulacions atomístiques, abordant el doble repte de la precisió i l'eficiència. Mitjançant noves representacions geomètriques i marcs optimitzats, té com a objectiu enllaçar la química computacional tradicional amb enfocament...
| Autor: | |
|---|---|
| Tipo de documento: | tese |
| Estado: | Versão publicada |
| Data de publicação: | 2025 |
| País: | España |
| Recursos: | CBUC, CESCA |
| Repositório: | TDR. Tesis Doctorales en Red |
| OAI Identifier: | oai:www.tdx.cat:10803/694548 |
| Acesso em linha: | http://hdl.handle.net/10803/694548 |
| Access Level: | Acceso aberto |
| Palavra-chave: | Aprenentatge profund geomètric Xarxes neuronals equivariants Potentials interatòmics d’aprenentatge automàtic Simulacions atomístiques Dinàmica molecular Geometric deep learning Equivariant neural networks Machine learning interatomic potentials Atomistic simulations Molecular dynamics 62 |
| Resumo: | Aquesta tesi explora avenços en potencials de xarxes neuronals per a simulacions atomístiques, abordant el doble repte de la precisió i l'eficiència. Mitjançant noves representacions geomètriques i marcs optimitzats, té com a objectiu enllaçar la química computacional tradicional amb enfocaments moderns basats en IA. Les contribucions principals inclouen el desenvolupament de TensorNet, un model equivariant que explota representacions de tensors cartesians per a predir amb precisió energies i forces moleculars. A més, aquest treball estén TensorNet per a incorporar els estats de càrrega i espín, ampliant així la seva aplicabilitat. Les millores en el marc TorchMD-Net, incloent el suport per a CUDA graphs i les optimitzacions de PyTorch 2.0, augmenten significativament el rendiment computacional i la usabilitat per a la dinàmica molecular. Combinant arquitectures de models innovadores amb una infraestructura de programari eficient, aquesta investigació avança el camp dels potencials interatòmics d'aprenentatge automàtic. |
|---|