B7 (N): Bildung vergröberter Modelle mit Methoden des maschinellen Lernens
Ziel des Projektes ist die Evaluation der Anwendbarkeit von maschinellem Lernen auf Multiskalen-Simulationen von Systemen der weichen Materie. Dabei stehen Verfahren im Vordergrund, die mittels moderner „tiefer“ neuronaler Netze automatisch Repräsentationen von Daten auf verschiedenen Skalen aus Beispieldaten lernen können. Wir betrachten zwei Anwendungsszenarien: (i) Regressionsverfahren zur Approximation komplexer Wechselwirkungen am Beispiel einer nichtadditiven Wechselwirkung (Polarisation) und (ii) generative probabilistische Modelle. Bei letzteren wird das Problem des “backmappings” von einem vergröberten Modell auf das ursprüngliche höher auflösende Modell durch bedingte Wahrscheinlichkeiten beschrieben, deren Verteilung durch ein maschinelles Lernverfahren aus entsprechenden Beispielsimulationen gelernt wird.
Adversarial reverse mapping of condensed-phase molecular structures: Chemical transferability
APL Materials 9 (3),
031107
(2021);
doi:10.1063/5.0039102
Adversarial reverse mapping of equilibrated condensed-phase molecular structures
Machine Learning: Science and Technology 1,
045014
(2020);
doi:10.1088/2632-2153/abb6d4
Kernel-Based Machine Learning for Efficient Simulations of Molecular Liquids
Journal of Chemical Theory and Computation 16 (5),
3194-3204
(2020);
doi:10.1021/acs.jctc.9b01256
Kontakt
- Dr. Tristan Bereau
- Max Planck-Institut für Polymerforschung
- Ackermannweg 10
- D-55128 Mainz
- Tel: +49 6131 379478
- Fax: +49 6131 379340
- bereau.@zpumpip-mainz.mpg.de
- http://www.mpip-mainz.mpg.de/~bereau/
- Prof. Dr. Michael Wand
- Institute of Informatics
- Universität Mainz
- Staudinger Weg 9
- D-55128 Mainz
- Tel: 06131-39-24061
- Fax: 06131-39-23534
- wandmfDiU@Dpsnm_XxMuni-mainz.de
- https://www.visualcomputing.informatik.uni-mainz.de/wand/