Stielow, Thomas Gerhard Heinrich
[Author]
;
Scheel, Stefan
[Degree supervisor];
Main, Jörg
[Degree supervisor]Universität Rostock,
Universität Rostock Mathematisch-Naturwissenschaftliche Fakultät
Analyzing and controlling large nanosystems with physics-trained neural networks
University thesis:
Dissertation, Universität Rostock, 2022
Footnote:
GutachterInnen: Stefan Scheel (Universität Rostock, Institut für Physik) ; Jörg Main (Universität Stuttgart, Institut für Theoretische Physik 1)
Description:
In dieser Arbeit wird untersucht, wie Neuronale Netze genutzt werden können, um die Auswertung von Experimenten durch Minimierung des Simulationsaufwandes beschleunigen zu können. Für die Rekonstruktion von Silber-Nanoclustern aus Einzelschuss-Weitwinkel-Streubildern können diese bereits aus kleinen Datenätzen allgemeine Rekonstruktionsregeln ableiten und ermöglichen durch direktes Training auf der Streuphysik unerreichte Detailtiefen. Für Giant-Dipole-Zustände von Rydbergexzitonen in Kupferoxydul wird mittels Deep Reinforcement Learning ein Anregungsschema aus Simulationen hergeleitet.<ger>
This thesis investigates the possible application of neural networks in accelerating the evaluation of physical experiments while minimizing the required simulation effort. Neural networks are capable of inferring universal reconstruction rules for reconstructing silver nanoclusters from single wide-angle scattering patterns from a small set of simulated data and when trained directly on scattering theory reaching unmatched accuracy. A dynamic excitation for giant dipole states of Rydberg excitons in cuprous oxide is derived through deep reinforcement learning interacting and simulation data.<eng>