دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: [1 ed.] نویسندگان: Lionel M. Raff, Ranga Komanduri, Martin Hagan, and Satish T.S. Bukkapatnam سری: ISBN (شابک) : 9780199765652, 2010054098 ناشر: Oxford University Press سال نشر: 2022 تعداد صفحات: [294] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 17 Mb
در صورت تبدیل فایل کتاب Neural Networks in Chemical Reaction Dynamics به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب شبکه های عصبی در دینامیک واکنش های شیمیایی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
این مونوگراف پیشرفت های اخیر در رویکردها و کاربردهای شبکه عصبی (NN) در دینامیک واکنش شیمیایی را ارائه می دهد. موضوعات تحت پوشش عبارتند از: (من) توسعه سطوح انرژی پتانسیل اولیه (PES) برای سیستمهای چند کاناله پیچیده با استفاده از نمونهگیری جدید اصلاحشده و NNهای پیشخور. (۲) روشهایی برای نمونهبرداری از فضای پیکربندی با اهمیت حیاتی، مانند روشهای نمونهگیری مسیر و جدید و روشهای برازش گرادیان. (iii) پارامتری کردن توابع پتانسیل بین اتمی با استفاده از یک الگوریتم ژنتیک با شتاب NN. (IV) پارامترسازی توابع پتانسیل بین اتمی تحلیلی با استفاده از NN. (v) روش های خود راه اندازی برای به دست آوردن PES تحلیلی از محاسبات اولیه ساختار الکترونیکی با استفاده از دینامیک مستقیم. (vi) توسعه یک روش جدید، یعنی تقریب مشتق تابع ترکیبی (CFDA) برای برازش همزمان یک PES و میدانهای نیروی متناظر آن با استفاده از شبکههای عصبی پیشخور. (vii) توسعه PES تعمیم یافته با استفاده از بسط های چند بدنه، NN ها، و تقریب های انرژی بخش. (viii) روش های NN برای تجزیه و تحلیل داده ها، احتمالات واکنش، و کاهش خطای آماری در دینامیک واکنش شیمیایی. (ix) پیشبینی دقیق انرژیهای ساختار الکترونیکی سطح بالاتر (به عنوان مثال MP4 یا بالاتر) برای پایگاههای داده بزرگ با استفاده از NN، انرژیهای سطح پایین (Hartree-Fock) و زیر مجموعههای کوچک پایگاه داده با انرژی بالاتر؛ و در نهایت (x) مثالهای گویا از کاربردهای NN برای دینامیک واکنش شیمیایی با افزایش پیچیدگی از ساختارهای ساده نزدیک به تعادل (مطالعات حالت ارتعاشی) تا واکنشهای غیر آدیاباتیک پیچیدهتر. این مونوگراف توسط یک گروه بینرشتهای از محققین تهیه شده است که بهعنوان تیمی برای نزدیک به دو دهه در دانشگاه ایالتی اوکلاهما، Stillwater، OK با تخصص در دینامیک واکنش فاز گاز کار میکنند. شبکه های عصبی؛ جنبه های مختلف شبیه سازی MD و مونت کارلو (MC) برش نانومتریک، تریبولوژی و خواص مواد در مقیاس نانو؛ مقیاس بندی قوانین از اتمی به پیوسته. و کاربردهای شبکه های عصبی در دینامیک واکنش های شیمیایی پیشبینی میشود که این میدان نوظهور NN در دینامیک واکنش شیمیایی نقش مهمی را در مطالعات MD، MC و مکانیک کوانتومی در سالهای آینده ایفا کند.
This monograph presents recent advances in neural network (NN) approaches and applications to chemical reaction dynamics. Topics covered include: (i) the development of ab initio potential-energy surfaces (PES) for complex multichannel systems using modified novelty sampling and feedforward NNs; (ii) methods for sampling the configuration space of critical importance, such as trajectory and novelty sampling methods and gradient fitting methods; (iii) parametrization of interatomic potential functions using a genetic algorithm accelerated with a NN; (iv) parametrization of analytic interatomic potential functions using NNs; (v) self-starting methods for obtaining analytic PES from ab inito electronic structure calculations using direct dynamics; (vi) development of a novel method, namely, combined function derivative approximation (CFDA) for simultaneous fitting of a PES and its corresponding force fields using feedforward neural networks; (vii) development of generalized PES using many-body expansions, NNs, and moiety energy approximations; (viii) NN methods for data analysis, reaction probabilities, and statistical error reduction in chemical reaction dynamics; (ix) accurate prediction of higher-level electronic structure energies (e.g. MP4 or higher) for large databases using NNs, lower-level (Hartree-Fock) energies, and small subsets of the higher-energy database; and finally (x) illustrative examples of NN applications to chemical reaction dynamics of increasing complexity starting from simple near equilibrium structures (vibrational state studies) to more complex non-adiabatic reactions. The monograph is prepared by an interdisciplinary group of researchers working as a team for nearly two decades at Oklahoma State University, Stillwater, OK with expertise in gas phase reaction dynamics; neural networks; various aspects of MD and Monte Carlo (MC) simulations of nanometric cutting, tribology, and material properties at nanoscale; scaling laws from atomistic to continuum; and neural networks applications to chemical reaction dynamics. It is anticipated that this emerging field of NN in chemical reaction dynamics will play an increasingly important role in MD, MC, and quantum mechanical studies in the years to come.