Využití strojového učení pro řešení fázového problému v krystalografii
školitel: | Dr.rer.nat. Lukáš Palatinus, Ing. Pavel Strachota, Ph.D., |
e-mail: | zobrazit e-mail |
typ práce: | bakalářská práce, diplomová práce |
zaměření: | MI_MM, MI_AMSM, MINF |
klíčová slova: | elektronová difrakce, fázový problém, krystalografie, neuronové sítě, strojové učení |
odkaz: | http://www.fzu.cz/vyzkum/vyzkumne-sekce-a-oddeleni/sekce-3/oddeleni-19/laborator-1901 |
popis: | Elektronová krystalografie se zabývá určováním atomární struktury pomocí elektronového záření, zejména elektronové difrakce. V laboratoři elektronové difrakce Fyzikálního ústavu AV ČR jsme schopni s pomocí transmisního elektronového mikroskopu a dalších přístrojů odhalit prostorovou organizaci atomů v krystalech, avšak získaná syrová data je nejprve nutné zpracovat náročnými počítačovými algoritmy.
Měření poskytují údaje o intenzitách (amplitudách) různých frekvencí zastoupených v elektronové hustotě, avšak nikoliv o jejich fázových posunutích. Aby bylo možné získat prostorové rozložení této hustoty v krystalu pomocí inverzní Fourierovy transformace, je nutné vyřešit takzvaný fázový problém. Pro řešení tohoto problému bylo vyvinuto a úspěšně použito několik algoritmů, avšak každý z nich má svá omezení. Tématem práce je ověření možností metod strojového učení, zejména neuronových sítí, v této oblasti. Úspěšná aplikace strojového učení na řešení fázového problému by mohla přinést významný pokrok v oboru krystalografie. Téma je vhodné pro studenty, kteří se nebojí programování a implementace algoritmů v oblasti dnes velmi populárních metod strojového učení, ale zároveň jsou ochotni si rozšířit znalosti z matematiky a fyziky. Výhodou je přímá spolupráce s experimentálním pracovištěm a přístup k takřka neomezenému množství reálných dat použitelných pro trénování modelů. |
literatura: | [1] C. C. Aggarwal - Neural Networks and Deep Learning, Springer, 2018.
[2] T. Hastie, R. Tibshirani, J. Friedman – The Elements of Statistical Learning, Data Mining, Inference, and Prediction. 2nd. ed., Springer-Verlag New York, 2009. [3] C. Giacovazzo (ed.): Fundamentals of Crystallography, 3. vydání, Oxford University Press (2011), https://academic.oup.com/book/371 [4] L. Palatinus: The charge flipping algorithm in crystallography. Acta Crystallographica A69, 1-16 (2013), https://doi.org/10.1107/S2052519212051366 |
naposledy změněno: | 22.08.2023 14:26:09 |
za obsah této stránky zodpovídá:
Čestmír Burdík | naposledy změněno: 9.9.2021