Novel geometric representations and optimized frameworks for deep learning models of interatomic potentials

Mostra el registre complet Registre parcial de l'ítem

• dc.contributor.author Simeon, Guillem
• dc.contributor.other De Fabritiis, Gianni
• dc.contributor.other Universitat Pompeu Fabra. Departament de Tecnologies de la Informació i les Comunicacions
• dc.date.accessioned 2025-05-29T05:41:02Z
• dc.date.available 2025-05-29T05:41:02Z
• dc.date.issued 2025-05-28T12:40:13Z
• dc.date.issued 2025-05-28T12:40:13Z
• dc.date.issued 2025-04-29
• dc.date.modified 2025-05-28T12:40:15Z
• dc.description.abstract Aquesta tesi explora avenços en potencials de xarxes neuronals per a simulacions atomístiques, abordant el doble repte de la precisió i l'eficiència. Mitjançant noves representacions geomètriques i marcs optimitzats, té com a objectiu enllaçar la química computacional tradicional amb enfocaments moderns basats en IA. Les contribucions principals inclouen el desenvolupament de TensorNet, un model equivariant que explota representacions de tensors cartesians per a predir amb precisió energies i forces moleculars. A més, aquest treball estén TensorNet per a incorporar els estats de càrrega i espín, ampliant així la seva aplicabilitat. Les millores en el marc TorchMD-Net, incloent el suport per a CUDA graphs i les optimitzacions de PyTorch 2.0, augmenten significativament el rendiment computacional i la usabilitat per a la dinàmica molecular. Combinant arquitectures de models innovadores amb una infraestructura de programari eficient, aquesta investigació avança el camp dels potencials interatòmics d'aprenentatge automàtic.
• dc.description.abstract This thesis explores advancements in neural network potentials for atomistic simulations, addressing the dual challenges of accuracy and efficiency. Through novel geometric representations and optimized frameworks, it aims to bridge traditional computational chemistry and modern AI-based approaches. Key contributions include the development of TensorNet, an equivariant model exploiting Cartesian tensor representations to predict molecular energies and forces accurately. Additionally, this work extends TensorNet to incorporate charge and spin states, broadening its applicability. Enhancements to the TorchMD-Net framework, including support for CUDA graphs and PyTorch 2.0 optimizations significantly improve computational performance and usability for molecular dynamics. By combining innovative model architectures with efficient software infrastructure, this research advances the field of machine learning interatomic potentials
• dc.description.abstract Programa de Doctorat en Tecnologies de la Informació i les Comunicacions
• dc.format 172 p.
• dc.format application/pdf
• dc.identifier http://hdl.handle.net/10803/694548
• dc.identifier.uri http://hdl.handle.net/10230/70549
• dc.language.iso eng
• dc.publisher Universitat Pompeu Fabra
• dc.rights ADVERTIMENT. Tots els drets reservats. L'accés als continguts d'aquesta tesi doctoral i la seva utilització ha de respectar els drets de la persona autora. Pot ser utilitzada per a consulta o estudi personal, així com en activitats o materials d'investigació i docència en els termes establerts a l'art. 32 del Text Refós de la Llei de Propietat Intel·lectual (RDL 1/1996). Per altres utilitzacions es requereix l'autorització prèvia i expressa de la persona autora. En qualsevol cas, en la utilització dels seus continguts caldrà indicar de forma clara el nom i cognoms de la persona autora i el títol de la tesi doctoral. No s'autoritza la seva reproducció o altres formes d'explotació efectuades amb finalitats de lucre ni la seva comunicació pública des d'un lloc aliè al servei TDX. Tampoc s'autoritza la presentació del seu contingut en una finestra o marc aliè a TDX (framing). Aquesta reserva de drets afecta tant als continguts de la tesi com als seus resums i índexs.
• dc.rights info:eu-repo/semantics/openAccess
• dc.source TDX (Tesis Doctorals en Xarxa)
• dc.subject.keyword Aprenentatge profund geomètric
• dc.subject.keyword Xarxes neuronals equivariants
• dc.subject.keyword Potentials interatòmics d’aprenentatge automàtic
• dc.subject.keyword Simulacions atomístiques
• dc.subject.keyword Dinàmica molecular
• dc.subject.keyword Geometric deep learning
• dc.subject.keyword Equivariant neural networks
• dc.subject.keyword Machine learning interatomic potentials
• dc.subject.keyword Atomistic simulations
• dc.subject.keyword Molecular dynamics
• dc.subject.keyword 62
• dc.title Novel geometric representations and optimized frameworks for deep learning models of interatomic potentials
• dc.type info:eu-repo/semantics/doctoralThesis
• dc.type info:eu-repo/semantics/publishedVersion