Redes neurais artificiais e teoria do funcional da densidade: otimização de funcionais para modelagem de nanomateriais

Página do item simplificado
dc.contributor.advisorFrança, Vivian Vanessa [UNESP]
dc.contributor.authorCustódio, Caio Amaral
dc.contributor.institutionUniversidade Estadual Paulista (Unesp)
dc.date.accessioned2019-10-25T22:07:13Z
dc.date.available2019-10-25T22:07:13Z
dc.date.issued2019-09-06
dc.description.abstractNesse trabalho propomos o desenvolvimento de redes neurais artificiais capazes de fornecer a energia do estado fundamental do modelo de Hubbard para nanoestruturas fermiônicas interagentes e homogêneas. Uma vez otimizado o funcional via rede neural, este pode ser usado como input em cálculos de funcionais da densidade para sistemas heterogêneos. O modelo neural obtido mostrou um desempenho excelente, com desvios menores que ∼ 0,2%, recuperando todos os regimes de densidade, magnetização e uma vasta extensão de regimes de interação, quando comparado com resultados numéricos exatos. Comparado à funcionais analíticos, o modelo neural é mais preciso em todos os regimes de parâmetros, especialmente no regime de fraca interação, onde o funcional analítico mais recente apresenta um grande desvio: ∼ 7%, contra ∼ 0,1% para o nosso modelo neural. Aplicado em aproximações de densidade local para cálculos de DFT para cadeias finitas e com heterogeneidades, como impurezas localizadas e potenciais confinantes, nosso modelo neural se mostrou uma alternativa confiável e usando apenas uma fração dos recursos computacionais de outros tratamentos numéricos.pt
dc.description.abstractIn this work we propose an artificial neural network model to the ground-state energy of fermionic interacting particles in homogeneous chains described by the Hubbard model. Once the neural network functional is optimized, it can be used as input in density functional calculations for inhomogeneous systems. The neural network model obtained, showed excellent performance, deviating by less than ∼ 0.2%, recovering all regimes of density and magnetization and for a vast range of interactions when compared to exact numerical results. Compared to analytical functionals, the neural network is more accurate in all regimes of parameters, especially at the weakly interacting regime, where the most recent analytical parametrization fails the most: ∼ 7%, while only ∼ 0.1% for our neural network model. When applied in local density approximations for density functionals calculations for finite chains with inhomogeneities, such as localized impurities and confining potentials, our neural model has proven to be a reliable alternative, while using only a fraction of the computational resources from other numerical treatments.en
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)
dc.description.sponsorshipId33004030072P8
dc.identifier.aleph000926359
dc.identifier.capes33004030072P8
dc.identifier.urihttp://hdl.handle.net/11449/190855
dc.language.isopor
dc.publisherUniversidade Estadual Paulista (Unesp)
dc.rights.accessRightsAcesso aberto
dc.subjectFuncionais de densidadept
dc.subjectRedes neurais (Computação)pt
dc.subjectNanoestruturaspt
dc.subjectInformação quânticapt
dc.subjectHubbard, Modelo dept
dc.titleRedes neurais artificiais e teoria do funcional da densidade: otimização de funcionais para modelagem de nanomateriaispt
dc.title.alternativeArtificial neural networks and density functional theory: functional optimization for nanomaterials modelingen
dc.typeDissertação de mestrado
unesp.campusUniversidade Estadual Paulista (Unesp), Instituto de Química, Araraquarapt
unesp.embargoOnlinept
unesp.examinationboard.typeBanca públicapt
unesp.graduateProgramQuímica - IQpt
unesp.knowledgeAreaQuímicapt
unesp.researchAreaNanomateriais e nanoestruturaspt

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
custodio_ca_me_araiq_int.pdf
Tamanho:
4.98 MB
Formato:
Adobe Portable Document Format
Descrição:
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
3.01 KB
Formato:
Item-specific license agreed upon to submission
Descrição:

Coleções

Dissertações - Química - IQ