Predicting the bandgap of hole-transport materials by deep learning
Predicting the bandgap of hole-transport materials by deep learning
| dc.contributor.advisor | Tekin, Adem | |
| dc.contributor.author | Aydın, Miraç | |
| dc.contributor.authorID | 702191021 | |
| dc.contributor.department | Computational Science and Engineering | |
| dc.date.accessioned | 2024-04-26T11:48:32Z | |
| dc.date.available | 2024-04-26T11:48:32Z | |
| dc.date.issued | 2023-01-30 | |
| dc.description | Thesis (M.Sc.) -- İstanbul Technical University, Graduate School, 2023 | |
| dc.description.abstract | Çalışmada öncelikle OMDB veri seti yapay çoklamaya maruz bırakılmadan kullanıldı. SchNetPack ve ALIGNN modellerinin makalelerinde yer verilen varsayılan parametrelerle eğitim süreci gerçekleştirildi. Eğitim süreci NVIDIA Tesla A100 (40GB), 2 adet NVIDIA RTX A4500 (20GB) ve NVIDIA RTX A4000 (16GB) grafik kartları üzerinde gerçekleştirildi. Yapılan eğitim sonucunda SchNetPack ve ALIGNN modelleri için MAE değeri sırasıyla 0.43 eV ve 0.25 eV bulundu. Bu değerlere sahip modellerle Spiro-OMeTAD molekülünün bant aralığı tahmini yapıldı. Literatür değeri 3.05 eV olan bant aralığı, SchNetPack ve ALIGNN modelleri tarafından sırasıyla 2.73 eV ve 2.52 olarak tahmin edildi. Daha sonra OMDB veri setine Kristalografi Açık Veritabanı'nda (Crystallography Open Database, COD) bulunan 10 adet delik geçiş malzemesi yapısı ve her bir yapı için 10 adet konformer olacak şekilde toplamda 100 adet yapı eklendi. Eklenen bu yapılarla beraber veri setine AugLiChem kütüphanesi ile yapay çoklama yöntemi uygulandı. Model performansını artırabilmek için yeni yapıların araştırılmasına devam edildi ve makale taramalarından 79 yeni yapı daha bulundu. Bu yapıların bant genişliği değerleri DFT metodu ile hesaplandıktan sonra veri setine eklendi. Yapılan bu işlemler neticesinde veri setinde toplamda 52835 yapı elde edildi. SchNetPack ve ALIGNN modelleri, yapay çoklanmış OMDB veri seti ve farklı parametrelerle birçok kez eğitildi. Bu eğitimler sonucunda en düşük MAE değerleri SchNetPack ve ALIGNN modelleri için MAE sırasıyla 0.23 eV ve 0.25 eV olarak bulundu. Bu değerlere sahip modellerle Spiro-OMeTAD molekülünün bant aralığı tahmini yapıldı. Literatür değeri 3.05 eV olan bant aralığı, SchNetPack ve ALIGNN modelleri tarafından sırasıyla 2.97 eV ve 2.82 olarak tahmin edildi. Yapılan yapay çoklama ve parametre değişiklikleri sonrasında modellerin MAE değerleri ortalama %40, bant aralığı değeri tahmin performansı ise ortalama %13 oranında artırılmıştır. Bant değeri tahmini yapılan diğer moleküller çalışma içerisinde gösterilmişti | |
| dc.description.degree | M.Sc. | |
| dc.identifier.uri | http://hdl.handle.net/11527/24779 | |
| dc.language.iso | en_US | |
| dc.publisher | Graduate School | |
| dc.sdg.type | Goal 7: Affordable and Clean Energy | |
| dc.subject | deep learning | |
| dc.subject | derin öğrenme | |
| dc.subject | quantum chemistry | |
| dc.subject | kuantum kimyası | |
| dc.subject | semiconductor solar cell | |
| dc.subject | yarı iletken güneş pili | |
| dc.title | Predicting the bandgap of hole-transport materials by deep learning | |
| dc.title.alternative | Derin öğrenme ile delik geçiş malzemelerinin bant aralığı tahmini | |
| dc.type | Master Thesis |