|
| |
|
|
Nerovnovážná Brownovská dynamika v periodických potenciálech
Paidar, Jaroslav ; Ryabov, Artem (vedoucí práce) ; Žonda, Martin (oponent)
Kolektivní dynamika Brownovských částic v pórovitých strukturách představuje důle- žité téma jak pro teorii, tak pro experiment. V několika modelech bylo nedávno dosaženo dobrého porozumění Brownovské dynamice interagujících částic pohybujících se v jedné dimenzi. Teoretický popis těchto modelů se soustředí na nekonečně velké systémy, ač- koli reálné systémy jsou ve skutečnosti malé. Tato práce se zaměřuje na studium vlivu velikosti systému interagujících částic řízených silou na jejich transportní chování v pe- riodickém potenciálu. Jako referenční data jsme využili simulace jedno-částicového mo- delu s analyticky řešitelnými výsledky. Pro tento model byly provedeny simulace Euler- Maruyamaovou metodou. Více-částicové simulace byly provedeny pro dva různé typy interakcí částic. Interakce typu tuhých koulí posloužila jako základ analýzy chování čás- tic s interakčním potenciálem typu vyhlazené bariéry, který umožnil předbíhání částic. Byla studována rychlost částic a koeficient difuze v závislosti na různých parametrech systému, jako je měkkost a velikost částic, hustota nebo velikost systému. 1
|
|
|
Neaditivní mezimolekulární interakce
Kovačovský, Ján ; Klimeš, Jiří (vedoucí práce) ; Žonda, Martin (oponent)
Neaditívne medzimolekulové interakcie, ktoré zahŕňajú tri alebo viac molekúl, pred- stavujú významnú výzvu pri presnom predikovaní molekulárneho správania a vlastností materiálov. Tieto interakcie, ktoré sa vyznačujú vysokou dimenzionalitou a nepredví- dateľnosťou v závislosti od polohy molekúl, nemožno spoľahlivo odhadnúť jednoduchým sčítaním párových interakcií medzi molekulami. Zahrnutie neaditívnych interakcií troch častíc do kvantovo-mechanických ab initio prístupov môže výrazne zlepšiť zhodu s exper- imentálnymi pozorovaniami. 1
|
|
|
Quantum interference in nanocrystals
Spitzkopf, David ; Ostatnický, Tomáš (vedoucí práce) ; Žonda, Martin (oponent)
Kvantová interference je dobře popsaný efekt v bulkových krystalech. V této práci se budeme zabývat tímto efektem v nanokrystalech. Použijeme 8 pásový model pro strukturu elektronových pásů, přičemž následně porušíme inverzní symetrii krystalu pomocí slabého lineárního potenciálu. Poté aplikujeme vnější elektromagnetické pole a vypočítáme jeho efekt na krystal. Aplikujeme dva druhy záření, jedno harmonické, druhé instantní v čase. Pokračujeme s výpočtem generovaného proudu společně s numerickými testy různých parametrů. Vodivost pro nelinearitu 3. řádu je pak formálně vypočtena. 1
|
|
|
Reconstruction of magnetic configurations using machine learning approaches
Vargicová, Tatiana ; Baláž, Pavel (vedoucí práce) ; Žonda, Martin (oponent)
Názov práce: Rekonštrukcia magnetických konfigurácí pomocou metód strojového učenia Autor: Tatiana Vargicová Katedra / Ústav: Katedra fyziky kondenzovaných látek Vedúcí bakalárskej práce: RNDr. Pavel Baláž, Ph. D. Fyzikální ústav AV ČR Abstrakt: Táto práca je zameraná na vytvorenie autoencoderu vhodného na rekonštrukciu magnetických konfigurácií s výhľadom na použitie v úlohe rozpoznávania fáz. Konkrétne, skúma sa ako sa zmení úspešnosť autoencodéru ak do jeho stratovej fukcie implementuje Hamiltonián. Bolo zistené, že účinok Hamiltoniánu je špecifický pre danú magnetickú fázu. Pre špirálovú fázu sa rekonštrukcia výrazne zlepší. Naopak, pre niektoré prechodné fázy sa rekonštrukcia veľmi zhorší. To bol najmä prípad špirál s merónmi. Okrem MSE chyby sa vyšetrovala aj chyba zachovania spinovej energie. Zistilo sa, že hamiltoniánový člen zlepšuje zachovanie spinovej energie pre všetky magnetické fázy. Kľúčové slová: neuróvé siete, Heisenbergov model, autoenkóder, rekonštrukcia
|
|
|
Variational Neural Network Quantum States for Frustrated Magnetic Systems
Mezera, Matěj ; Žonda, Martin (vedoucí práce) ; Slobodeniuk, Artur (oponent)
Zkoumáme Shastry-Sutherlandův model (SSM), tj. 1/2-spinový kvantový Heisenber- gův model na Shastry-Sutherlandově mřížce, pomocí nově rozvíjejících se metod, které využívají technik strojového učení. Neuronové sítě používáme jako variační kvantové stavy a v kvantových Monte Carlo simulacích zkoumáme vlastnosti základního stavu. Nejprve se zaměřujeme na SSM bez vnějšího magnetického pole. Pro malé exaktně diagonali- zovatelné mřížky porovnáváme přesnost různých architektur založených na omezených (restricted) Boltzmannových strojích (RBM) nebo grupově konvolučních neuronových sítích. Nejuniverzálnější a nejpřesnější architekturu, konkrétně RBM s komplexními va- hami, pak používáme na větších mřížkách. Zde zkoumáme frustrovaný režim. Ukazujeme, že RBM je schopen reprezentovat všechny tři hlavní a fundamentálně odlišné fáze SSM. Nakonec aplikujeme komplexní RBM na SSM v konečném vnějším magnetickém poli. Zjišťujeme, že RBM nedokáže správně zachytit zajímavá plata v magnetizaci typická pro SSM, kvůli tomu, že RBM preferuje uspořádanější stavy s vyšší magnetizací. 1
|
|
|
Analýza magnetických skyrmionů pomocí metod strojového učení
Dušek, Ondřej ; Baláž, Pavel (vedoucí práce) ; Žonda, Martin (oponent)
Název práce: Analýza magnetických skyrmionů pomocí metod strojového učení Autor: Ondřej Dušek Katedra / Ústav: Katedra fyziky kondenzovaných látek Vedoucí bakalářské práce: RNDr. Pavel Baláž, Ph.D., Katedra fyziky kondenzovaných látek Abstrakt: V rámci této práce byly zkoumány fáze feromagnetických mřížkek získaných Monte Carlo simulacemi pro Heisenbergův hamiltonián pomocí metod strojového učení. Byla použita metoda nejbližších centroidů, metoda Support Vector Machines a hluboké konvoluční neuronové sítě. Byla porovnána a diskutována úspěšnost jednotlivých metod a pro parametry Heisenbergova hamiltoniánu B a D (tedy velikost magnetického pole a parametr D Dzyaloshinskii-Moriya interakce) byl sestrojen fázový diagram. U konvolučních neuronových sítí byly vyzualizovány výstupy konvolučních vrstev, což nabízí vhled do jejich procesu klasifikace, a byl proveden odhad hranice mezi klasifikovanými fázemi. Oproti již provedeným pracím byly v této práci zkoumány výrazně větší mřížky, na kterých se objevovaly zvláštní varianty zkoumaných fází, a pokročilejší metody strojového učení. Některým jednodušším metodám činila klasifikace větších mřížek obtíže, ovšem námi vytvořený finální model hluboké konvoluční neuronové sítě dokázal fáze klasifikovat velmi spolehlivě a poradil si i s mřížkami s problematickými fázemi....
|
host ::
RSS.