Analyzing and controlling large nanosystems with physics-trained neural networks

Analyzing and controlling large nanosystems with physics-trained neural networks Stielow, Thomas Gerhard Heinrich 1992- VerfasserIn aut Scheel, Stefan 1971- AkademischeR BetreuerIn dgs Main, Jörg 1961- AkademischeR BetreuerIn dgs Universität Rostock Grad-verleihende Institution dgg Universität Rostock Mathematisch-Naturwissenschaftliche Fakultät Grad-verleihende Institution dgg text theses Text Hochschulschrift gw 2022 monographic XA-DE Rostock Universität publisher 2022 Rostock Universitätsbibliothek distributor eng 1 Online-Ressource 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> vorgelegt von Thomas Stielow GutachterInnen: Stefan Scheel (Universität Rostock, Institut für Physik) ; Jörg Main (Universität Stuttgart, Institut für Theoretische Physik 1) Dissertation Universität Rostock 2022 500 530 006.32 004 http://purl.uni-rostock.de/rosdok/id00003781 https://doi.org/10.18453/rosdok_id00003781 https://nbn-resolving.org/urn:nbn:de:gbv:28-rosdok_id00003781-2 https://d-nb.info/1293538116/34 Analyzing and controlling large nanosystems with physics-trained neural networks Rostock, 2022 Druckausgabe (DE-627)1810713145 Stielow, Thomas Gerhard Heinrich, 1992 - urn:nbn:de:gbv:28-rosdok_id00003781-2 10.18453/rosdok_id00003781 1335597184 rda DE-627 220713 1810125839 20251226T203208.0 Converted from MARCXML to MODS version 3.8 using MARC21slim2MODS3-8_XSLT1-0.xsl (Revision 1.174 20250328) ger