Polarisoituvuusmallit Raman-spektrien simulointiin molekyylidynamiikalla

Teknologian kehitys edellyttää jatkuvasti uusien aurinkokennoissa tai akuissa käytettävien materialien kehittämistä. Kokeellisia löydöksiä voidaan ohjata tietokonesimulaatioilla, vaikka ne voivat osoittautua laskennallisesti kalliiksi ja niiden tarkkuus on joskus rajallinen. Esimerkiksi Raman-spektrien simulointi on erittäin vaativaa, vaikka se on yleisesti käytetty kokeellinen tekniikka. Viime vuosien nopean kehityksen ansiosta koneoppimisalgoritmeja voidaan nyt käyttää simulaatioiden nopeuttamiseen ja laskennallisen kuormituksen vähentämiseen.

Tässä väitöskirjassa tutkitaan, miten koneoppimismenetelmiä voitaisiin käyttää Raman-spektrien simuloinnin parantamiseen. Ne saadaan yhdistämällä uusimpia koneoppimisvoimakenttiä erilaisiin polarisaatiomalleihin, jotka vaihtelevat yksinkertaisista empiirisistä malleista monimutkaisempiin neuroverkkoihin. Vaikka kaikki tarkastellut mallit johtavat tyydyttävään Raman-spektrin ennustamiseen, empiiristen mallien havaitaan olevan epätarkempia mutta nopeampia kuin koneoppimispolarisoituvuusmallit.

Tämän jälkeen malleja sovelletaan erilaisiin tieteellisesti merkityksellisiin järjestelmiin, kuten kiinteän aineen puolijohteisiin, 2-ulotteisiin materiaaleihin ja aminohappoketjuihin. Hyödyntämällä tutkielmassa kehitettyjen koneoppimisvoimakenttien ja polarisaatiomallien suurta tehokkuutta tehdään laajamittaisia simulaatioita, joiden avulla saadaan uutta tietoa kunkin materiaalin Raman-spektreistä.