Measurements of iron at extreme pressures do not agree on the melting temperature for conditions comparable with those believed to hold at Earth's core. To attempt to determine the stability of relevant lattices, simulations involving a huge amount of particles are needed. In this thesis, a machine learned model is trained to yield results from density functional theory. Different machine learning models are compared. The trained model is then used in molecular dynamics simulations of relevant lattices at a scale too large for density functional theory. / Mätningar av järns smälttemperatur under påfrestningar jämförbara med desom tros gälla i jordens kärna överensstämmer ej. För att försöka bestämma stabiliteten av relevanta gitter krävs simulationer av enorma mängder partiklar. I denna tes tränas en maskininlärd modell att återge resultat från Täthetsfunktionalteori. Olika maskininlärningsmodeller jämförs. Den tränade modellen används sedan i Molekyldynamik-simulationer av relevanta gitter som är förstora för Täthetsfunktionalteori.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-298848 |
| Date | January 2021 |
| Creators | Österberg, Viktor |
| Publisher | KTH, Fysik |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-SCI-GRU ; 2021:245 |
Page generated in 0.0029 seconds