33302

كاربرد يادگيري ماشين در اسپينترونيك

كارشناسي ارشد

فيزيك

1401

1403/11/30

امير حسين احمد خان كردبچه

-

فيزيك

مطالعه كاربرد يادگيري ماشين در مسئله ترابرد كوانتومي و اسپينترونيك، كه مبحث مهمي جهت توليد دستگاه هاي محاسباتي مدرن است، از اهداف اين پايان نامه مي¬باشد. مدل هاي يادگيري ماشين توانايي پيش بيني ماهيت غيرخطي رسانش و همچنين تابع پاسخ اسپين غيرتعادلي براي هر پيكربندي مغناطيسي تصادفي را دارا هستند. با تبديل اين مسئله مكانيك كوانتومي به مسئله طبقه بندي (classification) مي توانيم دقت بسيار بالاتري، فراتر از رژيم پاسخ خطي در مقايسه با پيش بيني هاي به دست آمده با روش هاي رگرسيون معمولي بدست آوريم. اين نتايج در پيش‌بيني رفتار سيستم‌هاي بزرگ مقياس كه از نظر محاسباتي چالش برانگيز است، بسيار مهم هستند و بنابراين نقش مهمي در طراحي ابزار در ابعاد نانو خواهند داشت.

1404/02/08

Application of Machine Learning in Spintronics

1/1/1900 12:00:00 AM

This thesis aims to study the application of machine learning in quantum tra ort and spintronics, which are important topics for the development of modern computational devices. Machine learning models are capable of predicting the nonlinear nature of the conduction as well as the non-equilibrium spin response for any random magnetic configuration. By transforming this quantum problem into a classification, it is possible to obtain very accurate results, from the linear response regime, compared to predictions obtained with conventional regression methods. These results are significant in predicting the behavior of large systems that are computationally challenging and will therefore play an important role in the design of devices with high capacity.

يادگيري ماشين , اسپينترونيك

Machine learning , Spintronics

Seyed Mahdi Mastoor

Amirhossein Ahmadkhan Kordbacheh