<div class="csl-bib-body">
<div class="csl-entry">Ebert, M. (2020). <i>Estimating the T-dependence of zero field splitting in the NV-center using neural networks</i> [Diploma Thesis, Technische Universität Wien]. reposiTUm. https://doi.org/10.34726/hss.2020.64320</div>
</div>
-
dc.identifier.uri
https://doi.org/10.34726/hss.2020.64320
-
dc.identifier.uri
http://hdl.handle.net/20.500.12708/1298
-
dc.description
Abweichender Titel nach Übersetzung der Verfasserin/des Verfassers
-
dc.description.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.
en
dc.description.abstract
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.
de
dc.language
English
-
dc.language.iso
en
-
dc.rights.uri
http://rightsstatements.org/vocab/InC/1.0/
-
dc.subject
ab-initio Berechnungen
de
dc.subject
Festkörperphysik
de
dc.subject
maschinelles Lernen
de
dc.subject
ab-initio calculations
en
dc.subject
solid state physics
en
dc.subject
machine learning
en
dc.title
Estimating the T-dependence of zero field splitting in the NV-center using neural networks
en
dc.title.alternative
Anwendung neuronaler Netzwerke in der statistischen Analyse der Temperatureabhängigkeit des D-Tensors für NV centers.