AI Summary & Key Takeaways
AI InsightBu çalışmadan elde edilen sonuçlar iki şekilde kullanılabilir: 1) Atomik koordinatlar hiçbir benzetim programı kullanmadan düşük bir hata oranı ile tahmin edilebilir, 2) Tahmin edilen koordinatlar benzetim programlarına başlangıç değeri olarak verilip benzetimin süresi ciddi oranda kısaltılabilir.
📌 3 Key Takeaways
Özet
Yoğunluk Fonksiyonel Teorisi’nin (YFT) en önemli uygulamalarından bir tanesi Karbon Nanotüplerdir (KNT). Karbonun kimyasal ve fiziksel karakteristiği sebebiyle KNT benzetimleri nanoteknoloji alanında büyük rol oynamaktadır. YFT hesaplarının saatler hatta günler sürmesi KNT benzetimlerinin en zor yanını oluşturmaktadır. Bu çalışmada KNT’lerin atomik koordinatlarını hesaplayan benzetimlerin süresini kısaltacak bir Destek Vektör Regresyonu (DVR) modeli önerilmiştir. KNT benzetimlerinden elde edilen u, v ve w koordinatları DVR yöntemi kullanılarak yüksek doğrulukta ve dakikalar içinde tahmin edilmiştir. Bu tahmin modeli için CASTEP yazılımı kullanılarak 10721 örnek içeren bir veri kümesi oluşturulmuştur. Veri kümesi atomik koordinatlar ve kiral vektörlerden oluşmaktadır. Önerilen modelin doğruluğunu değerlendirmek için Ortalama Karesel Hata (OKH), Ortalama Mutlak Hata (OMH), Standart Tahmin Hatası (STH) ve Korelasyon Katsayısı (R) ölçütleri kullanılmıştır. Veri kümesi, 10-katlı çapraz doğrulama kullanılarak ve kullanılmadan ayrı ayrı çalışılmıştır. Bu çalışmadan elde edilen sonuçlar iki şekilde kullanılabilir: 1) Atomik koordinatlar hiçbir benzetim programı kullanmadan düşük bir hata oranı ile tahmin edilebilir, 2) Tahmin edilen koordinatlar benzetim programlarına başlangıç değeri olarak verilip benzetimin süresi ciddi oranda kısaltılabilir.