Opis własności nanostruktur niskowymiarowych za pomocą algorytmów uczenia maszynowego

W pracy zastosowano algorytmy uczenia maszynowego i sztucznej inteligencji do opisu i przewidywania własności nanostruktur niskowymiarowych. Opisano proces budowania modeli bazujących na algorytmach uczenia maszynowego w odniesieniu do układów jednowymiarowych: nanorurek borowych i nanorurek azotku boru oraz materiałów dwuwymiarowych MXenes. Układy te są w centrum zainteresowania badaczy ze względu na uch niezwykłe własności oraz potencjalne zastosowania w medycynie oraz farmacji. Zbudowano modele modele pozwalające na realistyczne przewidywanie całkowitej energii, energii kohezji oraz toksyczności badanych związków. Badania wymagały stworzenia szeregu modeli w oparciu o algorytmy uczenia maszynowego. Wykorzystano najbardziej zaawansowane algorytmy oraz zaadaptowano je na potrzeby problemów przedstawionych w dysertacji. Ponadto przetestowano wszystkie dostępne metody reprezentacji geometrii układów krystalicznych. Podczas prac wykorzystano unikalne połączenie danych eksperymentalnych z danymi teoretycznymi pochodzącymi z symulacji numerycznych. Dane teoretyczne pochodziły z otwartych baz danych zawierających wyniki symulacji oraz z ponad 8500 przeprowadzonych podczas pisania rozprawy symulacji numerycznych. Otrzymane wyniki opierają się na analizie algorytmami sztucznej inteligencji unikalnych zbiorów danych. Ponadto zastosowane techniki umożliwiły wyjaśnienie stworzonych modeli oraz sposobu opisywania przez nie procesów fizycznych. Pozwoliło to na poszerzenie wiedzy o badanych układach. Oryginalne i nowatorskie zastosowanie sztucznej inteligencji w badaniach naukowych. Szczególnie ważne wydają się wyniki opisujące mechanizm toksyczności materiałów MXenes.

Machine learning and artificial intelligence algorithms have been used to describe and predict the properties of low-dimensional nanostructures. The process of building predictive models based on machine learning algorithms has been employed to: (i) one-dimensional systems: boron nanotubes and boron nitride nanotubes and, two (ii)-dimensional MXenes materials. These systems are presently of interest to researchers due to their unique properties and potential application in medicine and pharmacy. Predictive models for total system energy, cohesion energy and toxicity have been built. Conducting the research required numerous models based on machine learning algorithmshave been employed to the problems presented in the dissertation. Moreover, all available methods of representing the geometry of the crystal systems ave been tested. During the work, a unique combination of data from the experiment and theoretical data from numerical simulations have been used. Theoretical data come from open databases containing simulation results and from over 8,500 numerical simulations carried out during the dissertation preparation. The obtained results are based on the analysis of the unique data sets using artificial intelligence algorithms. In addition, the developed methodology allows for explaination of the physical processes and broadens the knowledge about the considered systems. The results describing the toxicity mechanism of MXenes materials seem to be particularly novel and important.