پديد آورنده :
رضواني، شايان
عنوان :
بررسي عوامل موثر بر تابع دي الكتريك با رهيافت يادگيري ماشين
مقطع تحصيلي :
كارشناسي ارشد
گرايش تحصيلي :
ماده چگال محاسباتي
محل تحصيل :
اصفهان : دانشگاه صنعتي اصفهان
صفحه شمار :
[ده]، 151ص.: مصور، جدول، نمودار
استاد راهنما :
مجتبي اعلايي
استاد مشاور :
اسماعيل عبدالحسيني سارسري
توصيفگر ها :
ثابت دي الكتريك , يادگيري ماشين , نظريه تابع چگالي , رگرسيون , ماشين بردار پشتيبان , جنگل تصادفي
استاد داور :
فرهاد شهبازي، جواد هاشمي فر
تاريخ ورود اطلاعات :
1401/01/23
تاريخ ويرايش اطلاعات :
1401/01/23
چكيده فارسي :
در چند دهه اخير شاهد افزايش روز افزون توليد داده بوديم كه عمدتا بخاطر پيشرفت محاسبات نظريه تابع چگالي بوده است، با جمع آوري و مهندسي اين داده مي‌توانيم آن را در راستاي اهداف و پيشرفت علم و صنعت استفاده كنيم. اهداف ما تحليل ثابت دي الكتريك، كاهش هزينه محاسبات نظريه تابع چگالي و كاهش هزينه‌هاي بالا و طولاني آزمايشگاهي است كه باعث مي‌شود براي كشف مواد جديد هزينه و زمان زيادي صرف شود. ثابت دي الكتريك يكي از خواص بنيادي مواد است كه بينشي درباره خواص اپتيكي و الكتريكي مواد به ما مي‌دهد. در اين راستا ما سه مجموعه داده توليد و جمع آوري كرديم: اولين مجموعه داده شامل دو قطبي‌ها است كه با استفاده از محاسبات DFTتوليد كرديم، دومين و سومين مجموعه داده به ترتيب موادي مبتني بر اكسيد و مواد دي الكتريك را تشكيل مي دهند كه از دو مقاله جمع‌آوري شده است. اين سه مجموعه داده را با مدل‌هاي جنگل تصادفي و رگرسيون ماشين بردار پشتيبان آموزش داديم و عوامل موثر بر ثابت دي الكتريك را شناسايي كرديم، كه به دو دسته ساختاري و غيرساختاري تقسيم مي شود. در قسمت تحليل، ارتباط توصيفگر هاي ساختاري و غيرساختاري را با دو قسمت الكتروني و يوني ثابت دي الكتريك تحليل و بررسي كرديم. تحليل نتايج خروجي نشان داد، قسمت يوني ثابت دي الكتريك وابستگي بيشتري نسبت به قسمت الكتروني ثابت دي الكتريك به ساختار مواد دارد، و قسمت الكتروني ثابت دي الكتريك وابستگي زيادي به توصيفگر هاي غيرساختاري دارد. هم چنين در اين مسير به كمك نتايج خروجي و مدل هاي طراحي شده مي توان در كمترين زمان ممكن، مواد با ثابت دي الكتريك دلخواه را پيش بيني كرد.
چكيده انگليسي :
In the last few decades, we have witnessed an increasing production of data, which has been mainly due to the development of density functional theory calculations. By collecting and engineering these data, we can use them in line with the goals and progress of science and technology. Our goals are dielectric constant analysis, reduction of the computational cost of density function theory, and reduction of high and long laboratory costs, making it costly and time-consuming to discover new materials. The dielectric constant is one of the fundamental properties of materials that gives us insight into materials' optical and electrical properties. In this regard, we produced and collected three datasets: The first dataset consists of dipoles that we generated using DFT calculations, and the second and third datasets are oxide-based materials and dielectric materials, respectively, which are collected from two papers. We trained these three datasets with random forest models and support vector machine regression. We identified the factors affecting the dielectric constant, divided into two categories: structural and non-structural. In the analysis section, we analyzed the relationship between structural and non-structural descriptors with two parts, electronic and ionic dielectric constant. Analysis of the output results showed that the ionic contributions of the dielectric constant are more dependent on the structure of the material than the electronic contributions of the dielectric constant, and the electronic contributions of the dielectric constant are highly dependent on non-structural descriptors. Also, in this path, with the help of output results and designed models, materials with the desired dielectric constant can be predicted in the shortest possible time.
استاد راهنما :
مجتبي اعلايي
استاد مشاور :
اسماعيل عبدالحسيني سارسري
استاد داور :
فرهاد شهبازي، جواد هاشمي فر
