BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//Vrije Universiteit Amsterdam//NONSGML v1.0//EN
NAME:Promotie D.D. Baum
METHOD:PUBLISH
BEGIN:VEVENT
DTSTART:20261116T114500
DTEND:20261116T131500
DTSTAMP:20261116T114500
UID:promotie-d-d-baum@8F96275E-9F55-4B3F-A143-836282E12573
CREATED:20260924T195724
LOCATION:Hoofdgebouw VU, 1105, Auditorium, De Boelelaan, 1081 HV, Amsterdam
SUMMARY:Promotie D.D. Baum
X-ALT-DESC;FMTTYPE=text/html: Machine Learning for
the Acceleration of Quantum Chemical Simulations
AI en M
achine Learning kunnen quantumchemische simulaties versnellen, zelfs
met een beperkt budget.
Voor veel toepassingen is het
niet nodig om zeer grote en complexe AI-modellen te gebruiken. Mijn o
nderzoek laat zien dat relatief eenvoudige modellen voor specifieke k
wantumchemische problemen al goede resultaten kunnen opleveren.
Mijn werk bevindt zich op het snijvlak van computationele c
hemie, kwantumchemie en kunstmatige intelligentie. Met kwantumchemisc
he simulaties kunnen eigenschappen van moleculen worden onderzocht zo
nder dat voor iedere vraag direct een laboratoriumexperiment nodig is
. Zulke simulaties kunnen onderzoek ondersteunen, maar nauwkeurige be
rekeningen vragen vaak veel rekentijd en computerkracht.
Daarom
richtte ik me op de vraag hoe kunstmatige intelligentie kan worden g
ebruikt om bepaalde kwantumchemische berekeningen efficiënter uit te
voeren. Het doel was om resultaten van vergelijkbare kwaliteit te ve
rkrijgen met minder rekenwerk.
Mijn onderzoek laat zien dat de
meest complexe AI-methode niet automatisch de beste keuze is. Welke a
anpak het meest geschikt is, hangt af van het probleem, de beschikbar
e data en de gewenste nauwkeurigheid. Voor sommige kwantumchemische t
oepassingen kunnen eenvoudige modellen al voldoende zijn. Voor andere
toepassingen werkt een combinatie van kunstmatige intelligentie en b
estaande wetenschappelijke modellen beter.
Meer informatie over
het proefschrift volgt.
DESCRIPTION: Machine Learning for the Acceleration of Quantum Chemical
Simulations AI en Machine Learning kunnen quantumchemische simul
aties versnellen, zelfs met een beperkt budget.
Voor veel
toepassingen is het niet nodig om zeer grote en complexe AI-modellen
te gebruiken. Mijn onderzoek laat zien dat relatief eenvoudige model
len voor specifieke kwantumchemische problemen al goede resultaten ku
nnen opleveren.Mijn werk bevindt zich op het snijvlak van co
mputationele chemie, kwantumchemie en kunstmatige intelligentie. Met
kwantumchemische simulaties kunnen eigenschappen van moleculen worden
onderzocht zonder dat voor iedere vraag direct een laboratoriumexper
iment nodig is. Zulke simulaties kunnen onderzoek ondersteunen, maar
nauwkeurige berekeningen vragen vaak veel rekentijd en computerkracht
.Daarom richtte ik me op de vraag hoe kunstmatige intelligentie kan w
orden gebruikt om bepaalde kwantumchemische berekeningen efficiënter
uit te voeren. Het doel was om resultaten van vergelijkbare kwalitei
t te verkrijgen met minder rekenwerk.Mijn onderzoek laat zien dat de
meest complexe AI-methode niet automatisch de beste keuze is. Welke a
anpak het meest geschikt is, hangt af van het probleem, de beschikbar
e data en de gewenste nauwkeurigheid. Voor sommige kwantumchemische t
oepassingen kunnen eenvoudige modellen al voldoende zijn. Voor andere
toepassingen werkt een combinatie van kunstmatige intelligentie en b
estaande wetenschappelijke modellen beter.Meer informatie over het pr
oefschrift volgt.
END:VEVENT
END:VCALENDAR