19105

16565

كارشناسي ارشد

ماده چگال محاسباتي

اصفهان : دانشگاه صنعتي اصفهان

1402

پانزده، 107ص.: مصور، جدول، نمودار.

1402/08/21

كتابنامه

فيزيك

فيزيك

1402/09/27

2979126

در اين پروژه به بررسي توانايي پيش بيني روش هاي يادگيري ماشين در مواد پادفرومغناطيس پرداخته شده است. هدف از انجام پروژه پيش بيني دماي گذار مغناطيسي اين مواد با استفاده از رهيافت يادگيري ماشيت است. در اين كار با استفاده از توصيفگرهاي ساختاري مانند ماتريس جمع ايوالد، ماتريس سينوس و هم پوشاني نرم موقعيت هاي اتمي دماي گذار را با استفاده از الگوريتم هاي SVR، xGBoot، RF و KRR بررسي كرديم. در مجموع عملكرد توصيفگر هم پوشاني نرم موقعيت هاي اتمي نسبت به دو توصيفگر ديگر ماتريس جمع ايوالد و ماتريس سينوس بهتر است. بهترين دقت براي اين توصيفگر با استفاده از الگوريتم SVR و اغمال روش كاهش ابعاد تحليل مولفه هاي اصلي در PCA320 با RMSE=79K بدست آمده است. براي توصيفگر ماتريس جمع ايوالد بهترين دقت با استفاده از الگوريتم هاي SVR و xGBoost و اعمال روش كاهش ابعاد تحليل مولفه هاي اصلي در PCA640 با RMSE=104K بدست آورديم. براي توصيفگر ماتريس سينوس بهترين عملكرد توسط الگوريتم xGBoost در PCA320 با RMSE=102K بذست آمده است.

Abstract In this project, the predictive ability of machine learning methods in antiferromagnetic materials has been investigated. The purpose of the project is to predict the magnetic transition temperature of these materials using a machine learning approach. In this work, using structural descriptors such as Ewald sum matrix, Sine matrix and Smooth Overlap of Atomic Position, we investigated the transition temperature atomic positions using Support Vector Machine, xGBoost, KRR and Random Forest algorithms. In general, the performance of the Smooth Overlap of Atomic Positions is better than the other two descriptors, the Ewald sum matrix and the Sine matrix. The best accuracy for this descriptor is by using the SVR algorithm and applying the dimension reduction method of principal components analysis (PCA) in PCA320 with RMSE = 79 K has been achieved. For the Ewald sum matrix descriptor, the best accuracy is obtained by using the SVR and xGBoost algorithms and applying the dimension reduction method of principal components analysis (PCA) in PCA640 we got with RMSE = 104 K. For the Sine matrix descriptor, the best performance by xGBoost algorithm in PCA320 with RMSE = 102 K has been achieved. Keywords Antiferromagnetism, transition temperature, machine learning, Ewald sum matrix, Sine matrix, Smooth Overlap of Atomic Position descriptor, 𝑆𝑉 𝑅 , 𝑥𝐺𝐵𝑜𝑜𝑠𝑡, 𝑅𝐹 , 𝐾𝑅𝑅

مجتبي اعلائي

جواد هاشمي فر

اسماعيل عبدالحسيني سارسري , فرهاد شهبازي دستجرده