Opis projektu
Analiza danych przerywania złącz za pomocą sieci neuronowych
Finansowany ze środków UE projekt MEANN będzie pierwszą próbą zastosowania rekurencyjnej sieci neuronowej w celu rozwiązania złożonych równań korelacyjnych wielu zmiennych opisujących doświadczenia prowadzone w zakresie jednoatomowego przerywania złącza (ang. single-molecular break-junction, SMBJ). W ramach projektów zostanie także sprawdzone, czy rekurencyjna sieć neuronowa potrafi z większą precyzją niż człowiek zidentyfikować zależności łączące bardzo małe zmiany w geometrii złącza i zmienne pomiarowe zorganizowane w zestawach danych SMBJ. Ulepszone podejście analityczne powinno umożliwić badaczom zmierzenie się z obecnymi wyzwaniami w zakresie badań SMBJ, w szczególności zaś zwiększenie powtarzalności eksperymentu i wypełnienie luki dzielącej doświadczenie i teorię w tej dziedzinie.
Cel
Molecular Electronics Artificial Neural Networks (MEANN) will adapt for the first time a recurrent neural network (RNN) to address complex multivariate correlation questions that arise in single molecular break junction (SMBJ) experiments. The hypothesis is that a RNN will be better than a human at identifying relationships between nanoscopic geometry changes of the junctions and the measured variables in SMBJ data sets, with little or no human bias. These improvements in the data analysis approach will allow researchers to address many of the present problems in SMBJ research, most notably reproducibility and bridging the theory-experiment gap. The proposal has three objectives to implement this goal. I will: (1) generate simulated SMBJ data and use this simulated data to train a RNN to sort SMBJ data into classes with unique and significant features in the data; (2) measure large sets of experimental data while on secondment and apply the trained RNN to the experimental data to sort the experimental data into the classes the RNN has already identified in the simulated data; and (3) derive a deeper understanding of the relationships between the physical processes involved in the break junction, and the observable variables of the experiment. MEANN maximizes my development as a researcher by exposing me to three important opportunities: (1) a world class theoretical chemistry group where I will learn computational and management skills necessary for my future as a researcher, (2) new experimental physics techniques while on secondment, and (3) planning an Applied RNN Summit where I will network with industry leaders in RNN development, share my expertise with peers, and prepare teaching materials to introduce my research to students. As a result of MEANN, researchers will have new tools to generate simulated SMBJ data, analyse their experimental data quickly and objectively, and answer important questions in condensed matter physics and physical chemistry.
Dziedzina nauki (EuroSciVoc)
Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego.
Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego.
- nauki przyrodniczenauki fizycznefizyka materii skondensowanej
- nauki przyrodniczeinformatykanauka o danych
- nauki przyrodniczematematykamatematyka czystageometria
- nauki przyrodniczenauki chemicznechemia fizyczna
- nauki przyrodniczeinformatykasztuczna inteligencjainteligencja obliczeniowa
Aby użyć tej funkcji, musisz się zalogować lub zarejestrować
Program(-y)
Temat(-y)
System finansowania
MSCA-IF - Marie Skłodowska-Curie Individual Fellowships (IF)Koordynator
1165 Kobenhavn
Dania