High-dimensional neural network potentials for solids and surfaces

Die Simulation realistischer Festkörperoberflächen, wie zum Beispiel die aktive Oberfläche eines heterogenen Katalysators, erfordert die Modellierung von mehreren tausend Atomen. Die Zuverlässigkeit einer solchen Simulation hängt hierbei stark von der Beschreibung der zugrunde liegenden Potentialenergiefläche (PES) ab. Methoden basierend auf first principles, wie zum Beispiel die Dichtefunktionaltheorie (DFT), erlauben zwar die genaue Vorhersage von Energien und atomaren Kräften, die notwendigen Systemgrößen sind jedoch aufgrund des hohen Rechenaufwands derzeit nicht mittels DFT zugänglich. In dieser Dissertation wird gezeigt, dass hochdimensionale, künstliche neuronale Netze (NNs), die mit first principles Daten trainiert wurden, die PES von Kupfer/Zinkoxid-Grenzflächen zuverlässig beschreiben können. Dieser Ansatz erlaubt die theoretische Untersuchung von Kupferclustern auf Zinkoxidoberflächen, einem wichtigen Katalysator für die industrielle Methanolsynthese.

Metadaten
Author:	Nongnuch Artrith ORCiD GND
URN:	urn:nbn:de:hbz:294-36521
Subtitle (English):	applications to copper and zinc oxide
Referee:	Jörg Behler GND, Dominik Marx GND
Document Type:	Doctoral Thesis
Language:	English
Date of Publication (online):	2013/02/07
Date of first Publication:	2013/02/07
Publishing Institution:	Ruhr-Universität Bochum, Universitätsbibliothek
Granting Institution:	Ruhr-Universität Bochum, Fakultät für Chemie und Biochemie
Date of final exam:	2013/01/11
Creating Corporation:	Fakultät für Chemie und Biochemie
GND-Keyword:	Dichtefunktionalformalismus; Neuronales Netz; Festkörperoberfläche; Katalysator; Methanol
Institutes/Facilities:	Lehrstuhl für Theoretische Chemie
Dewey Decimal Classification:	Naturwissenschaften und Mathematik / Chemie, Kristallographie, Mineralogie
faculties:	Fakultät für Chemie und Biochemie
Licence (German):	Keine Creative Commons Lizenz - es gelten der Veröffentlichungsvertrag und das deutsche Urheberrecht

RUB » Bibliotheksportal