Destek vektör regresyonu yöntemiyle karbon nanotüp benzetim süresinin kısaltılması

Yoğunluk Fonksiyonel Teorisi'nin (YFT) en önemli uygulamalarından bir tanesi Karbon Nanotüplerdir (KNT). Karbonun kimyasal ve fiziksel karakteristiği sebebiyle KNT benzetimleri nanoteknoloji alanında büyük rol oynamaktadır. YFT hesaplarının saatler hatta günler sürmesi KNT benzetimlerinin en zor yanını oluşturmaktadır. Bu çalışmada KNT'lerin atomik koordinatlarını hesaplayan benzetimlerin süresini kısaltacak bir Destek Vektör Regresyonu (DVR) modeli önerilmiştir. KNT benzetimlerinden elde edilen u, v ve w koordinatları DVR yöntemi kullanılarak yüksek doğrulukta ve dakikalar içinde tahmin edilmiştir. Bu tahmin modeli için CASTEP yazılımı kullanılarak 10721 örnek içeren bir veri kümesi oluşturulmuştur. Veri kümesi atomik koordinatlar ve kiral vektörlerden oluşmaktadır. Önerilen modelin doğruluğunu değerlendirmek için Ortalama Karesel Hata (OKH), Ortalama Mutlak Hata (OMH), Standart Tahmin Hatası (STH) ve Korelasyon Katsayısı (R) ölçütleri kullanılmıştır. Veri kümesi, 10-katlı çapraz doğrulama kullanılarak ve kullanılmadan ayrı ayrı çalışılmıştır. Bu çalışmadan elde edilen sonuçlar iki şekilde kullanılabilir: 1) Atomik koordinatlar hiçbir benzetim programı kullanmadan düşük bir hata oranı ile tahmin edilebilir, 2) Tahmin edilen koordinatlar benzetim programlarına başlangıç değeri olarak verilip benzetimin süresi ciddi oranda kısaltılabilir

Reducing simulation duration of carbon nanotube using support vector regression method

Density Functional Theory (DFT) is one of the most important application of Carbon Nanotubes (CNTs). Because of the chemical and physical characteristics of carbon, CNTs play an important role in the field of nanotechnology. The most difficult part of CNT simulations is DFT calculations that take hours or even days. In this study, a Support Vector Regression (SVR) model that reduces the atomic coordinate calculation of CNT simulation duration has been proposed. u, v, and w coordinates which obtained from CNT simulations are predicted with high accuracy using the SVR method within minutes. A dataset containing 10721 samples was created using CASTEP software for the prediction model. The dataset consists of the atomic coordinates and chiral vectors. To evaluate the accuracy of the proposed model, Mean Square Error (MSE), Mean Absolute Error (MAE), Standard Error of the Estimate (SEE) and Correlation Coefficient (R) metrics were used. The dataset is studied separately with and without using 10-fold cross-validation. The results obtained from this study can be used in two ways: 1) The atomic coordinates can be predicted with a low-error without using a simulation program, 2) The estimated results can be used as an initial value of simulation software for reducing duration of the atomic coordinate simulation seriously

PDF

___

1. Hohenberg P., Kohn W., Inhomogeneous electron gas, Physical Review, 136, B864-B871, 1964.
2. Kohn W., Sham L.J., Self-consistent equations including exchange and correlation effects, Physical Review, 140 (4A), A1133-A1138, 1965.
3. Akgenç B., Elektronik yapılarda DFT tabanlı hesaplamalar ve nano-düzeydeki molekül bağıntılarının iletim katsayısı, Master Tezi, Sakarya Üniversitesi, Fen Bilimleri Enstitüsü, Sakarya, 2010.
4. Yetim A., Karbon nano tüpler, Master Tezi, Çukurova Üniversitesi, Fen Bilimleri Enstitüsü, Adana, 2011.
5. Materials Design. MedeA. http://www. materialsdesign. com/medea. Erişim tarihi Ağustos 16, 2016.
6. FQS Poland. SCIGRESS - Molecular modeling software. http://www.fqs.pl/Chemistry_Materials_Life_Science/ products/scigress. Erişim tarihi Ağustos 16, 2016.
7. JCrystalSoft. http://www.jcrystal.com. Erişim tarihi Ağustos 16, 2016.
8. BIOVIA Materials Studio. CASTEP. http://accelrys.com/products/collaborative_science/bio via-materials-studio/quantom-catalysis-software.html. Erişim tarihi Ağustos 16, 2016.
9. Kendall R.A., Aprà E., Bernholdt D.E., Bylaska E.J., Dupuis M., Fann G.I., Harrison R.J., Ju J., Nichols J.A., Nieplocha J., High performance computational chemistry: An overview of NWChem a distributed parallel application, Comput. Phys. Commun., 128 (1), 260-283, 2000.
10. Cheng G., Wu H., Qiang X., Ji Q., Zhao Q., Graphene field-effect transistor modeling based on artificial neural network, International Conference on Mechatronics, Electronic, Industrial and Control Engineering, Shenyang-Çin, 1479-1483, 1-3 Nisan, 2015.
11. Zayid E.I.M., Akay M.F., Predicting the performance measures of a message-passing multiprocessor architecture using artificial neural networks, Neural Computing and Applications, 23 (7-8), 2481-2491, 2013.
12. Riverbed. OPNET is now part of Riverbed SteelCentral. http://www.riverbed.com/gb/products/steelcentral/opne t.html?redirect=opnet. Erişim tarihi Ağustos 18, 2016.
13. Sharma A., Sahoo P.K., Tripathi R., Meher L.C., Artificial neural network-based prediction of performance and emission characteristics of CI engine using polanga as a biodiesel, Int. J. Ambient Energy, 1, 1-12, 2015.
14. Kayabaşı A., Akdağlı A., Usage of ANN and ANFIS methods for computing resonant frequency of slotloaded compact microstrip antennas, Journal of the Faculty of Engineering and Architecture of Gazi University, 31 (1), 105-117, 2016.
15. Yurtcu Ş., Özocak A., Prediction of compression index of fine-grained soils using statistical and artificial intelligence methods, Journal of the Faculty of Engineering and Architecture of Gazi University, 31 (3), 597-608, 2016.
16. Fakhim B., Hassani A., Rashidi A., Ghodousi P., Predicting the impact of multiwalled carbon nanotubes on the cement hydration products and durability of cementitious matrix using artificial neural network modeling technique, The Scientific World Journal, 4 (1), 1-8, 2013.
17. MathWorks. MATLAB. http://www.mathworks.com/products/matlab. Erişim tarihi Ağustos 18, 2016.
18. Vapnik V., The nature of statistical learning theory, Springer-Verlag, New York, A.B.D., 2000.
19. Smola A.J., Schölkopf B., A tutorial on support vector regression, Statistics and Computing, 14 (3), 199-222, 2004.
20. Acikkar M., Akay M.F., Akturk E., Gulec M. Intelligent regression techniques for non-exercise prediction of VO(2)max, Signal Processing and Communications Applications Conference, Girne-K.K.T.C., 1-4 ,24-26 Nisan, 2013.
21. Yakut E., Elmas B., Yavuz S., Yapay sinir ağları ve destek vektör makineleri yöntemleriyle borsa endeksi tahmini, Suleyman Demirel University Journal of Faculty of Economics & Administrative Sciences, 19 (1), 139-157, 2014.
22. Yakut E., Veri madenciliği tekniklerinden C5.0 algoritması, destek vektör makineleri ile yapay sinir ağlarının sınıflandırma başarılarının karşılaştırılması: İmalat sektöründe bir uygulama, Doktora Tezi, Atatürk Üniversitesi, Sosyal Bilimleri Enstitütüsü, 2012.
23. Kecman V., Learning and soft computing: Support vector machines, neural networks, and fuzzy logic models, MIT Press, Cambridge, İngiltere, 2001.
24. Aydogmus H.Y., Ekinci A., Erdal H., Optimizing the monthly crude oil price forecasting accuracy via bagging ensemble models, Journal of Economics and International Finance, 7 (5), 127-136, 2015.
25. Yapraklı T.Ş., Erdal H., Firma başarısızlığı tahminlemesi: Makine öğrenmesine dayalı bir uygulama, International Journal of Informatics Technologies, 9 (1), 21-31, 2016.