mycoreobjectrosdok_disshab_0000002780rosdok_disshab_0000002780rosdokdisshabrosdok_derivate_00001983262023-08-08T10:14:21.041Z2022-07-13T14:26:43.609ZadministratoreditorMSpublished1rosdok_derivate_0000198326truetruederivate_types:fulltextVolltextfulltextwf_edit_epub wf_register_epubstate:publishedstate:publishedveröffentlichtpublishedrosdok/id000037811810125839Oau2022-07-132023-08-05T19:20:30ZrdaConverted from PICA to MODS using Pica2Mods XSLT Transformer 2.7 [SCM: "0c0e7a3c226a4a0cbcbec39b493c3c5257339ab8" "v2.7" "2023-08-04T00:00:00+0200"] with mode 'DEFAULT'.DissertationHochschulschriftAnalyzing and controlling large nanosystems with physics-trained neural networksIn dieser Arbeit wird untersucht, wie Neuronale Netze genutzt werden können, um die Auswertung von Experimenten durch Minimierung des Simulationsaufwandes beschleunigen zu können. Für die Rekonstruktion von Silber-Nanoclustern aus Einzelschuss-Weitwinkel-Streubildern können diese bereits aus kleinen Datenätzen allgemeine Rekonstruktionsregeln ableiten und ermöglichen durch direktes Training auf der Streuphysik unerreichte Detailtiefen. Für Giant-Dipole-Zustände von Rydbergexzitonen in Kupferoxydul wird mittels Deep Reinforcement Learning ein Anregungsschema aus Simulationen hergeleitet.This thesis investigates the possible application of neural networks in accelerating the evaluation of physical experiments while minimizing the required simulation effort. Neural networks are capable of inferring universal reconstruction rules for reconstructing silver nanoclusters from single wide-angle scattering patterns from a small set of simulated data and when trained directly on scattering theory reaching unmatched accuracy. A dynamic excitation for giant dipole states of Rydberg excitons in cuprous oxide is derived through deep reinforcement learning interacting and simulation data.Thomas Gerhard HeinrichStielow1992 -VerfasserInaut12624328550000-0001-8624-4994StefanScheel1971 -AkademischeR BetreuerIndgs10474656200000-0001-7011-2663Universität Rostock, Institut für PhysikJörgMain1961 -AkademischeR BetreuerIndgs1026307996Universität Stuttgart, Institut für Theoretische Physik 138329-6Universität Rostock1419 -Grad-verleihende Institutiondgg2147083-2Universität RostockMathematisch-Naturwissenschaftliche FakultätGrad-verleihende Institutiondgghttp://purl.uni-rostock.de/rosdok/id00003781urn:nbn:de:gbv:28-rosdok_id00003781-210.18453/rosdok_id00003781500 Naturwissenschaften530 PhysikMathematisch-Naturwissenschaftliche Fakultätalle Rechte vorbehaltenNutzungsrechte erteiltLizenz Metadaten: CC0frei zugänglich (Open Access)en2022Universität RostockRostockmonographic202220222022Universitätsbibliothek RostockRostock2022Universitätsbibliothek Rostockhttp://purl.uni-rostock.de/rosdok/id00003781Stefan Scheel (Universität Rostock, Institut für Physik) ; Jörg Main (Universität Stuttgart, Institut für Theoretische Physik 1)[{"affil":"Universität Rostock, Institut für Physik","name":"Scheel, Stefan"},{"affil":"Universität Stuttgart, Institut für Theoretische Physik 1","name":"Main, Jörg"}]vorgelegt von Thomas StielowUniversität Rostock, Institut für PhysikScheel, StefanUniversität Stuttgart, Institut für Theoretische Physik 1Main, Jörgdoctype:epubdoctype:epubDokumenttypDocument typedoctype:epub.dissertationdoctype:epub.dissertationDissertationdoctoral thesisdiniPublType:doctoralThesis diniPublType2022:PhDThesis XMetaDissPlusThesisLevel:thesis.doctoralinfo:eu-repo/semantics/doctoralThesisdocumentnatureOfContent:ppn_105825778natureOfContent:ppn_105825778HochschulschriftdiniPublType2022:DoctoralThesisdiniPublType2022:DoctoralThesisDissertation oder HabilitationDoctoral thesisDRIVERdiniPublType2022:PhDThesisdiniPublType2022:PhDThesisDissertationPhD thesisKDSF (Pu34)XMetaDissPlusThesisLevel:thesis.doctoralXMetaDissPlusThesisLevel:thesis.doctoralDoktorarbeitdoctoral thesisSDNB:500SDNB:500500 Naturwissenschaften500 Natural sciencesSDNB:530SDNB:530530 Physik530 Physicsinstitution:unirostockinstitution:unirostockUniversität RostockUniversity of RostockUniversität RostockUniversität RostockUni.Rostockhttp://d-nb.info/gnd/38329-6institution:unirostock.mnfinstitution:unirostock.mnfMathematisch-Naturwissenschaftliche FakultätFaculty of Mathematics and Natural SciencesUniversität Rostock. Mathematisch-Naturwissenschaftliche FakultätMathematisch-Natur-<br />wissenschaftliche FakultätUni.Rostock.Fakultaet.MNFhttp://d-nb.info/gnd/2147083-2licenseinfo:worklicenseinfo:workWerkworklicenseinfo:work.rightsreservedlicenseinfo:work.rightsreservedalle Rechte vorbehaltenall rights reserved/creativecommons/r/reserved/0.9/88x31.png[DE-28]Urheberrechtsschutz 1.0$gRights Statements$uhttp://rightsstatements.org/vocab/InC/1.0/http://rightsstatements.org/vocab/InC/1.0/http://rightsstatements.org/vocab/InC/1.0/licenseinfo:depositlicenseinfo:depositVeröffentlichungsgenehmigungpermission to storelicenseinfo:deposit.rightsgrantedlicenseinfo:deposit.rightsgrantedNutzungsrechte erteiltrights grantedlicenseinfo:metadatalicenseinfo:metadataLizenzen für Metadatenlicenseinfo:metadata.cc0licenseinfo:metadata.cc0Lizenz Metadaten: CC0license metadata: CC0/creativecommons/p/zero/1.0/88x31.pnghttps://creativecommons.org/publicdomain/zero/1.0/accesscondition:openaccessaccesscondition:openaccessfrei zugänglich (Open Access)open accesshttp://purl.org/coar/access_right/c_abf2OAfreeinfo:eu-repo/semantics/openAccess[DE-28]Open Access$gControlled Vocabulary for Access Rights$uhttp://purl.org/coar/access_right/c_abf2rfc5646:enrfc5646:enEnglischEnglishengengAnalyzing and controlling large nanosystems with physics-trained neural networksAnalyzing and controlling large nanosystems with physics-trained neural networksgnd:1262432855orcid:0000-0001-8624-4994gnd:1047465620orcid:0000-0001-7011-2663gnd:1026307996gnd:38329-6gnd:2147083-2gnd:1262432855orcid:0000-0001-8624-4994gnd:1047465620orcid:0000-0001-7011-2663gnd:1026307996gnd:38329-6gnd:2147083-2rosdok_disshab_0000002780-d609990e54gnd:1262432855orcid:0000-0001-8624-4994Thomas Gerhard Heinrich StielowThomas Gerhard Heinrich Stielowrosdok_disshab_0000002780-d609990e70gnd:1047465620orcid:0000-0001-7011-2663Stefan ScheelStefan Scheelrosdok_disshab_0000002780-d609990e87gnd:1026307996Jörg MainJörg Mainrosdok_disshab_0000002780-d609990e103gnd:38329-6Universität RostockUniversität Rostockrosdok_disshab_0000002780-d609990e114gnd:2147083-2Universität Rostock Mathematisch-Naturwissenschaftliche FakultätUniversität Rostock Mathematisch-Naturwissenschaftliche FakultätThomas Gerhard Heinrich StielowStefan ScheelJörg MainUniversität RostockUniversität Rostock Mathematisch-Naturwissenschaftliche FakultätThomas Gerhard Heinrich StielowStefan ScheelJörg MainUniversität RostockUniversität Rostock Mathematisch-Naturwissenschaftliche FakultätThomas Gerhard Heinrich StielowRostockUniversität Rostockepub.dissertationhttp://purl.uni-rostock.de/rosdok/id00003781urn:nbn:de:gbv:28-rosdok_id00003781-210.18453/rosdok_id00003781In dieser Arbeit wird untersucht, wie Neuronale Netze genutzt werden können, um die Auswertung von Experimenten durch Minimierung des Simulationsaufwandes beschleunigen zu können. Für die Rekonstruktion von Silber-Nanoclustern aus Einzelschuss-Weitwinkel-Streubildern können diese bereits aus kleinen Datenätzen allgemeine Rekonstruktionsregeln ableiten und ermöglichen durch direktes Training auf der Streuphysik unerreichte Detailtiefen. Für Giant-Dipole-Zustände von Rydbergexzitonen in Kupferoxydul wird mittels Deep Reinforcement Learning ein Anregungsschema aus Simulationen hergeleitet.This thesis investigates the possible application of neural networks in accelerating the evaluation of physical experiments while minimizing the required simulation effort. Neural networks are capable of inferring universal reconstruction rules for reconstructing silver nanoclusters from single wide-angle scattering patterns from a small set of simulated data and when trained directly on scattering theory reaching unmatched accuracy. A dynamic excitation for giant dipole states of Rydberg excitons in cuprous oxide is derived through deep reinforcement learning interacting and simulation data.20222022Stefan Scheel (Universität Rostock, Institut für Physik) ; Jörg Main (Universität Stuttgart, Institut für Theoretische Physik 1)[{"affil":"Universität Rostock, Institut für Physik","name":"Scheel, Stefan"},{"affil":"Universität Stuttgart, Institut für Theoretische Physik 1","name":"Main, Jörg"}]vorgelegt von Thomas Stielowepub.dissertation1 Stielow_Dissertation_2022.pdf 33692105 fab58c6c292ca99bdf7b7b4c363c2be7 rosdok/id000037811810125839Oau2022-07-132023-08-05T19:20:30ZrdaConverted from PICA to MODS using Pica2Mods XSLT Transformer 2.7 [SCM: "0c0e7a3c226a4a0cbcbec39b493c3c5257339ab8" "v2.7" "2023-08-04T00:00:00+0200"] with mode 'DEFAULT'.DissertationHochschulschriftAnalyzing and controlling large nanosystems with physics-trained neural networksIn dieser Arbeit wird untersucht, wie Neuronale Netze genutzt werden können, um die Auswertung von Experimenten durch Minimierung des Simulationsaufwandes beschleunigen zu können. Für die Rekonstruktion von Silber-Nanoclustern aus Einzelschuss-Weitwinkel-Streubildern können diese bereits aus kleinen Datenätzen allgemeine Rekonstruktionsregeln ableiten und ermöglichen durch direktes Training auf der Streuphysik unerreichte Detailtiefen. Für Giant-Dipole-Zustände von Rydbergexzitonen in Kupferoxydul wird mittels Deep Reinforcement Learning ein Anregungsschema aus Simulationen hergeleitet.This thesis investigates the possible application of neural networks in accelerating the evaluation of physical experiments while minimizing the required simulation effort. Neural networks are capable of inferring universal reconstruction rules for reconstructing silver nanoclusters from single wide-angle scattering patterns from a small set of simulated data and when trained directly on scattering theory reaching unmatched accuracy. A dynamic excitation for giant dipole states of Rydberg excitons in cuprous oxide is derived through deep reinforcement learning interacting and simulation data.Thomas Gerhard HeinrichStielow1992 -VerfasserInaut12624328550000-0001-8624-4994StefanScheel1971 -AkademischeR BetreuerIndgs10474656200000-0001-7011-2663Universität Rostock, Institut für PhysikJörgMain1961 -AkademischeR BetreuerIndgs1026307996Universität Stuttgart, Institut für Theoretische Physik 138329-6Universität Rostock1419 -Grad-verleihende Institutiondgg2147083-2Universität RostockMathematisch-Naturwissenschaftliche FakultätGrad-verleihende Institutiondgghttp://purl.uni-rostock.de/rosdok/id00003781urn:nbn:de:gbv:28-rosdok_id00003781-210.18453/rosdok_id00003781500 Naturwissenschaften530 PhysikMathematisch-Naturwissenschaftliche Fakultätalle Rechte vorbehaltenNutzungsrechte erteiltLizenz Metadaten: CC0frei zugänglich (Open Access)en2022Universität RostockRostockmonographic202220222022Universitätsbibliothek RostockRostock2022Universitätsbibliothek Rostockhttp://purl.uni-rostock.de/rosdok/id00003781Stefan Scheel (Universität Rostock, Institut für Physik) ; Jörg Main (Universität Stuttgart, Institut für Theoretische Physik 1)[{"affil":"Universität Rostock, Institut für Physik","name":"Scheel, Stefan"},{"affil":"Universität Stuttgart, Institut für Theoretische Physik 1","name":"Main, Jörg"}]vorgelegt von Thomas Stielow Universität Rostock, Institut für Physik Scheel, Stefan Universität Stuttgart, Institut für Theoretische Physik 1 Main, Jörg 2022-07-13T14:26:43.609Z 2023-08-08T10:14:21.041Z 2023-08-18T10:14:21.047Z {"identifier":"rosdok/id00003781","type":"local_id","additional":"","service":"MCRLocalID","created":"2022-07-13T14:26:43.626Z","registered":"2022-07-13T14:26:43.626Z"} editorMS {"identifier":"urn:nbn:de:gbv:28-rosdok_id00003781-2","type":"dnbUrn","additional":"","service":"RosDokURN","created":"2022-07-13T14:26:43.633Z","registered":"2022-07-13T18:48:32.607Z"} administratorfulltextfile/rosdok_disshab_0000002780/rosdok_derivate_0000198326/Stielow_Dissertation_2022.pdfAnalyzing and controlling large nanosystems with physics-trained neural networksAnalyzing and controlling large nanosystems with physics-trained neural networksgnd:1262432855orcid:0000-0001-8624-4994gnd:1047465620orcid:0000-0001-7011-2663gnd:1026307996gnd:38329-6gnd:2147083-2gnd:1262432855orcid:0000-0001-8624-4994gnd:1047465620orcid:0000-0001-7011-2663gnd:1026307996gnd:38329-6gnd:2147083-2rosdok_disshab_0000002780-d609990e54gnd:1262432855orcid:0000-0001-8624-4994Thomas Gerhard Heinrich StielowThomas Gerhard Heinrich Stielowrosdok_disshab_0000002780-d609990e70gnd:1047465620orcid:0000-0001-7011-2663Stefan ScheelStefan Scheelrosdok_disshab_0000002780-d609990e87gnd:1026307996Jörg MainJörg Mainrosdok_disshab_0000002780-d609990e103gnd:38329-6Universität RostockUniversität Rostockrosdok_disshab_0000002780-d609990e114gnd:2147083-2Universität Rostock Mathematisch-Naturwissenschaftliche FakultätUniversität Rostock Mathematisch-Naturwissenschaftliche FakultätThomas Gerhard Heinrich StielowStefan ScheelJörg MainUniversität RostockUniversität Rostock Mathematisch-Naturwissenschaftliche FakultätThomas Gerhard Heinrich StielowStefan ScheelJörg MainUniversität RostockUniversität Rostock Mathematisch-Naturwissenschaftliche FakultätThomas Gerhard Heinrich StielowRostockUniversität Rostockepub.dissertationhttp://purl.uni-rostock.de/rosdok/id00003781urn:nbn:de:gbv:28-rosdok_id00003781-210.18453/rosdok_id00003781In dieser Arbeit wird untersucht, wie Neuronale Netze genutzt werden können, um die Auswertung von Experimenten durch Minimierung des Simulationsaufwandes beschleunigen zu können. Für die Rekonstruktion von Silber-Nanoclustern aus Einzelschuss-Weitwinkel-Streubildern können diese bereits aus kleinen Datenätzen allgemeine Rekonstruktionsregeln ableiten und ermöglichen durch direktes Training auf der Streuphysik unerreichte Detailtiefen. Für Giant-Dipole-Zustände von Rydbergexzitonen in Kupferoxydul wird mittels Deep Reinforcement Learning ein Anregungsschema aus Simulationen hergeleitet.This thesis investigates the possible application of neural networks in accelerating the evaluation of physical experiments while minimizing the required simulation effort. Neural networks are capable of inferring universal reconstruction rules for reconstructing silver nanoclusters from single wide-angle scattering patterns from a small set of simulated data and when trained directly on scattering theory reaching unmatched accuracy. A dynamic excitation for giant dipole states of Rydberg excitons in cuprous oxide is derived through deep reinforcement learning interacting and simulation data.20222022Stefan Scheel (Universität Rostock, Institut für Physik) ; Jörg Main (Universität Stuttgart, Institut für Theoretische Physik 1)[{"affil":"Universität Rostock, Institut für Physik","name":"Scheel, Stefan"},{"affil":"Universität Stuttgart, Institut für Theoretische Physik 1","name":"Main, Jörg"}]vorgelegt von Thomas Stielow[xslt]Saxonrosdok/id00003781https://purl.uni-rostock.de/rosdok/id00003781181012583910.18453/rosdok_id00003781urn:nbn:de:gbv:28-rosdok_id00003781-2Thomas Gerhard Heinrich StielowStielow Thomas Gerhard HeinrichAnalyzing and controlling large nanosystems with physics-trained neural networksDissertationdoctoral thesisUniversität Rostock, 2022In dieser Arbeit wird untersucht, wie Neuronale Netze genutzt werden können, um die Auswertung von Experimenten durch Minimierung des Simulationsaufwandes beschleunigen zu können. Für die Rekonstruktion von Silber-Nanoclustern aus Einzelschuss-Weitwinkel-Streubildern können diese bereits aus kleinen…Thomas Gerhard Heinrich StielowAnalyzing and controlling large nanosystems with physics-trained neural networksUniversitätsbibliothek Rostockhttp://purl.uni-rostock.de/rosdok/id00003781Thomas Gerhard HeinrichStielow1992 -VerfasserInaut12624328550000-0001-8624-4994StefanScheel1971 -AkademischeR BetreuerIndgs10474656200000-0001-7011-2663Universität Rostock, Institut für PhysikJörgMain1961 -AkademischeR BetreuerIndgs1026307996Universität Stuttgart, Institut für Theoretische Physik 138329-6Universität Rostock1419 -Grad-verleihende Institutiondgg2147083-2Universität RostockMathematisch-Naturwissenschaftliche FakultätGrad-verleihende Institutiondgg[purl]http://purl.uni-rostock.de/rosdok/id00003781[urn]urn:nbn:de:gbv:28-rosdok_id00003781-2[doi]10.18453/rosdok_id00003781open_access20222022epoch:21th_centuryrfc5646:endoctype:epub.dissertationaccesscondition:openaccessSDNB:500SDNB:530institution:unirostock.mnfstate:published