Strojové učení potenciálu pro endohedrální fullereny

Abstract

Endohedral fullerenes are an intriguing and promising material for advanced contemporary applications, whether in solar panels, contrast compounds, or po- tentially quantum computing. As they are multi-atomic molecules, their mod- eling requires significant computational resources and notable approximations. Recently, with the growing interest in machine learning, chemical applications have emerged that effectively complement quantum-chemical studies. Among the notable open-source models in this field are Nequip and Mace, so-called equivariant neural networks that preserve symmetries. In this work, particular emphasis will be placed on Nequip.

Endohedrální fullereny jsou zajímavým perspektivním materiálem pro pokročilé apli- kace dnešní doby, ať už se jedná o solární panely, kontrastní látky, či potenciálně kvan- tové počítání. Jelikož se jedná o víceatomové molekuly, jejich modelování vyžaduje vel- kou výpočetní kapacitu a znatelné aproximace. V poslední době se však se vzrůstajícím zájmem o strojové učení vytvořily i chemické aplikace, které začínají esenciálně doplňo- vat kvantově-chemické studie. Mezi význačné open-source modely v tomto odvětví patří Nequip a Mace, tzv. equivariantní neuronové sítě, které zachovávají symetrie, z nichž právě na Nequip bude v této práci kladen důraz. 1