Title: Estimating the T-dependence of zero field splitting in the NV-center using neural networks
Other Titles: Anwendung neuronaler Netzwerke in der statistischen Analyse der Temperatureabhängigkeit des D-Tensors für NV centers.
Language: English
Authors: Ebert, Matthias 
Qualification level: Diploma
Advisor: Mohn, Peter 
Issue Date: 2020
Number of Pages: 44
Qualification level: Diploma
Abstract: 
In this thesis we probe the feasibility of using Artificial Neural Networks (ANNs), trained on data computed using DFT methods (in VASP), to perform a molecular dynamics (MD) simulation of a many-particle system as well as estimate other system properties. The system chosen is a nitrogen-vacancy center (NV-center) in a diamond lattice (63 carbon atoms, 1 nitrogen atom) and the system property in question is the zero-field splitting (or D-tensor) at the NV-center. In the MD, ANNs are then used to estimate the forces acting on each atom as well as the diagonal D-tensor values at each step. Multiple such MDs are run at different temperature levels, introduced by a thermostat, to calculate the T-dependence of the D-tensor zz-component. Performing 3 such simulations with varying number of MD-steps (100k, 300k, and 1000k), over temperatures ranging from 10 K to 550 K we were able to obtain a smooth and consistent estimate of the D-tensor T-dependence. We therefore demonstrate that such an approach has actual utility in computing properties of many-particle systems and deserves further investigation.

In dieser Arbeit untersuchen wir ob künstliche Neuronale Netzwerke (KNNs), die mit Ergebnissen aus DFT Rechnungen (in VASP) trainiert wurden, zu Druchführung von Molekulardynamik (MD) Simulationen von Vielteilchensystemen, sowie zu Schätzung von Systemeigenschaften verwendet werden können. Das untersuchte System ist eine Stickstoff-Fehlstelle (NV-center) in einem Diamant Gitter (63 Kohlenstoff Atome und 1 Stickstoff Atom) und die Systemeigenschaft von Interesse ist das Zero-Field-Splitting (oder D-Tensor) an der Stickstoff-Fehlstelle. In den MD-Simulationen werden sowohl die Kräfte auf alle Teilchen, als auch die zz-Komponente des D-Tensors in jedem Schritt von KNNs geschätzt. Unter Verwendung eines Thermostats, führen wir mehrere solche MD-Simulationen bei verschiedenen Temperaturen durch um die Temperaturabhängigkeit des D-Tensors zu bestimmen. Die Ergebnisse aus 3 solchen Simulationen über einen Temperaturbereich von 10 K bis 550 K, mit unterschiedlicher Anzahl an MD-Schritten (100k, 300k und 1000k), zeigen ein konsistentes Temperatur-Verhalten des D-Tensors. Damit zeigen wir, dass eine sinnvolle Schätzung von Systemeigenschaften auf diese Weise möglich ist und der beschriebene Ansatz weitere Untersuchung verdient.
Keywords: ab-initio Berechnungen; Festkörperphysik; maschinelles Lernen
ab-initio calculations; solid state physics; machine learning
URI: https://resolver.obvsg.at/urn:nbn:at:at-ubtuw:1-136991
http://hdl.handle.net/20.500.12708/1298
Library ID: AC15635865
Organisation: E134 - Institut für Angewandte Physik 
Publication Type: Thesis
Hochschulschrift
Appears in Collections:Thesis

Files in this item:


Page view(s)

45
checked on Jul 12, 2021

Download(s)

37
checked on Jul 12, 2021

Google ScholarTM

Check


Items in reposiTUm are protected by copyright, with all rights reserved, unless otherwise indicated.