First-principles periodic calculation of four-body spin terms in high-Tc cuprate superconductors

A general mapping between the energy of pertinent magnetic solutions and the diagonal terms of the spin Hamiltonian in a local representation provides the first general framework to extract accurate values for the many body terms of extended spin Hamiltonians from periodic first-principle calculations. Estimates of these terms for La2CuO4, the paradigm of high-Tc superconductor parent compounds, and for the SrCu2O3 ladder compound are reported. For La2CuO4, present results support experimental evidence by Toader et al. [Phys. Rev. Lett. 94, 197202 (2005)]. For SrCu2O3 even larger four-body spin amplitudes are found together with Jl/Jr=1 and non-negligible ferromagnetic interladder exchange.

First-principles periodic calculation of four-body spin terms in high-Tc Cuprate superconductors

A general mapping between the energy of pertinent magnetic solutions and the diagonal terms of the spin Hamiltonian in a local representation provides the first general framework to extract accurate values for the many body terms of extended spin Hamiltonians from periodic first-principle calculations. Estimates of these terms for La2CuO4, the paradigm of high-Tc superconductor parent compounds, and for the SrCu2O3 ladder compound are reported. For La2CuO4, present results support experimental evidence by Toader et al. [Phys. Rev. Lett. 94, 197202 (2005)]. For SrCu2O3 even larger four-body spin amplitudes are found together with Jl/Jr=1 and non-negligible ferromagnetic interladder exchange.

Nonempirical cluster-model study of the chemisorption of atomic hydrogen on the (111) surface of diamondlike crystals

The interaction of atomic hydrogen with C4H9, Si4H9, and Ge4H9 model clusters has been studied using all-electron and pseudopotential ab initio Hartree-Fock computations with basis sets of increasing flexibility. The results show that the effect of polarization functions is important in order to reproduce the experimental findings, but their inclusion only for the atoms directly involved in the chemisorption bond is usually sufficient. For the systems H-C4H9 and H-Si4H9 all-electron and pseudopotential results are in excellent agreement when basis sets of comparable quality are used. Besides, semiempirical modified-neglect-of-differential-overlap computations provide quite reliable results both for diamond and silicon and have been used to investigate larger model clusters. The results confirm the local nature of chemisorption and further justify the use of minimal X4H9 model clusters.

Precession electron diffraction in the transmission electron Microscope: electron crystallography and orientational mapping

Precession electron diffraction (PED) is a hollow cone non-stationary illumination technique for electron diffraction pattern collection under quasikinematicalconditions (as in X-ray Diffraction), which enables “ab-initio” solving of crystalline structures of nanocrystals. The PED technique is recently used in TEMinstruments of voltages 100 to 300 kV to turn them into true electron iffractometers, thus enabling electron crystallography. The PED technique, when combined with fast electron diffraction acquisition and pattern matching software techniques, may also be used for the high magnification ultra-fast mapping of variable crystal orientations and phases, similarly to what is achieved with the Electron Backscatter Diffraction (EBSD) technique in Scanning ElectronMicroscopes (SEM) at lower magnifications and longer acquisition times.

Machine learning for geospatial data : algorithms, software tools and case studies

Résumé Cette thèse est consacrée à l'analyse, la modélisation et la visualisation de données environnementales à référence spatiale à l'aide d'algorithmes d'apprentissage automatique (Machine Learning). L'apprentissage automatique peut être considéré au sens large comme une sous-catégorie de l'intelligence artificielle qui concerne particulièrement le développement de techniques et d'algorithmes permettant à une machine d'apprendre à partir de données. Dans cette thèse, les algorithmes d'apprentissage automatique sont adaptés pour être appliqués à des données environnementales et à la prédiction spatiale. Pourquoi l'apprentissage automatique ? Parce que la majorité des algorithmes d'apprentissage automatiques sont universels, adaptatifs, non-linéaires, robustes et efficaces pour la modélisation. Ils peuvent résoudre des problèmes de classification, de régression et de modélisation de densité de probabilités dans des espaces à haute dimension, composés de variables informatives spatialisées (« géo-features ») en plus des coordonnées géographiques. De plus, ils sont idéaux pour être implémentés en tant qu'outils d'aide à la décision pour des questions environnementales allant de la reconnaissance de pattern à la modélisation et la prédiction en passant par la cartographie automatique. Leur efficacité est comparable au modèles géostatistiques dans l'espace des coordonnées géographiques, mais ils sont indispensables pour des données à hautes dimensions incluant des géo-features. Les algorithmes d'apprentissage automatique les plus importants et les plus populaires sont présentés théoriquement et implémentés sous forme de logiciels pour les sciences environnementales. Les principaux algorithmes décrits sont le Perceptron multicouches (MultiLayer Perceptron, MLP) - l'algorithme le plus connu dans l'intelligence artificielle, le réseau de neurones de régression généralisée (General Regression Neural Networks, GRNN), le réseau de neurones probabiliste (Probabilistic Neural Networks, PNN), les cartes auto-organisées (SelfOrganized Maps, SOM), les modèles à mixture Gaussiennes (Gaussian Mixture Models, GMM), les réseaux à fonctions de base radiales (Radial Basis Functions Networks, RBF) et les réseaux à mixture de densité (Mixture Density Networks, MDN). Cette gamme d'algorithmes permet de couvrir des tâches variées telle que la classification, la régression ou l'estimation de densité de probabilité. L'analyse exploratoire des données (Exploratory Data Analysis, EDA) est le premier pas de toute analyse de données. Dans cette thèse les concepts d'analyse exploratoire de données spatiales (Exploratory Spatial Data Analysis, ESDA) sont traités selon l'approche traditionnelle de la géostatistique avec la variographie expérimentale et selon les principes de l'apprentissage automatique. La variographie expérimentale, qui étudie les relations entre pairs de points, est un outil de base pour l'analyse géostatistique de corrélations spatiales anisotropiques qui permet de détecter la présence de patterns spatiaux descriptible par une statistique. L'approche de l'apprentissage automatique pour l'ESDA est présentée à travers l'application de la méthode des k plus proches voisins qui est très simple et possède d'excellentes qualités d'interprétation et de visualisation. Une part importante de la thèse traite de sujets d'actualité comme la cartographie automatique de données spatiales. Le réseau de neurones de régression généralisée est proposé pour résoudre cette tâche efficacement. Les performances du GRNN sont démontrées par des données de Comparaison d'Interpolation Spatiale (SIC) de 2004 pour lesquelles le GRNN bat significativement toutes les autres méthodes, particulièrement lors de situations d'urgence. La thèse est composée de quatre chapitres : théorie, applications, outils logiciels et des exemples guidés. Une partie importante du travail consiste en une collection de logiciels : Machine Learning Office. Cette collection de logiciels a été développée durant les 15 dernières années et a été utilisée pour l'enseignement de nombreux cours, dont des workshops internationaux en Chine, France, Italie, Irlande et Suisse ainsi que dans des projets de recherche fondamentaux et appliqués. Les cas d'études considérés couvrent un vaste spectre de problèmes géoenvironnementaux réels à basse et haute dimensionnalité, tels que la pollution de l'air, du sol et de l'eau par des produits radioactifs et des métaux lourds, la classification de types de sols et d'unités hydrogéologiques, la cartographie des incertitudes pour l'aide à la décision et l'estimation de risques naturels (glissements de terrain, avalanches). Des outils complémentaires pour l'analyse exploratoire des données et la visualisation ont également été développés en prenant soin de créer une interface conviviale et facile à l'utilisation. Machine Learning for geospatial data: algorithms, software tools and case studies Abstract The thesis is devoted to the analysis, modeling and visualisation of spatial environmental data using machine learning algorithms. In a broad sense machine learning can be considered as a subfield of artificial intelligence. It mainly concerns with the development of techniques and algorithms that allow computers to learn from data. In this thesis machine learning algorithms are adapted to learn from spatial environmental data and to make spatial predictions. Why machine learning? In few words most of machine learning algorithms are universal, adaptive, nonlinear, robust and efficient modeling tools. They can find solutions for the classification, regression, and probability density modeling problems in high-dimensional geo-feature spaces, composed of geographical space and additional relevant spatially referenced features. They are well-suited to be implemented as predictive engines in decision support systems, for the purposes of environmental data mining including pattern recognition, modeling and predictions as well as automatic data mapping. They have competitive efficiency to the geostatistical models in low dimensional geographical spaces but are indispensable in high-dimensional geo-feature spaces. The most important and popular machine learning algorithms and models interesting for geo- and environmental sciences are presented in details: from theoretical description of the concepts to the software implementation. The main algorithms and models considered are the following: multi-layer perceptron (a workhorse of machine learning), general regression neural networks, probabilistic neural networks, self-organising (Kohonen) maps, Gaussian mixture models, radial basis functions networks, mixture density networks. This set of models covers machine learning tasks such as classification, regression, and density estimation. Exploratory data analysis (EDA) is initial and very important part of data analysis. In this thesis the concepts of exploratory spatial data analysis (ESDA) is considered using both traditional geostatistical approach such as_experimental variography and machine learning. Experimental variography is a basic tool for geostatistical analysis of anisotropic spatial correlations which helps to understand the presence of spatial patterns, at least described by two-point statistics. A machine learning approach for ESDA is presented by applying the k-nearest neighbors (k-NN) method which is simple and has very good interpretation and visualization properties. Important part of the thesis deals with a hot topic of nowadays, namely, an automatic mapping of geospatial data. General regression neural networks (GRNN) is proposed as efficient model to solve this task. Performance of the GRNN model is demonstrated on Spatial Interpolation Comparison (SIC) 2004 data where GRNN model significantly outperformed all other approaches, especially in case of emergency conditions. The thesis consists of four chapters and has the following structure: theory, applications, software tools, and how-to-do-it examples. An important part of the work is a collection of software tools - Machine Learning Office. Machine Learning Office tools were developed during last 15 years and was used both for many teaching courses, including international workshops in China, France, Italy, Ireland, Switzerland and for realizing fundamental and applied research projects. Case studies considered cover wide spectrum of the real-life low and high-dimensional geo- and environmental problems, such as air, soil and water pollution by radionuclides and heavy metals, soil types and hydro-geological units classification, decision-oriented mapping with uncertainties, natural hazards (landslides, avalanches) assessments and susceptibility mapping. Complementary tools useful for the exploratory data analysis and visualisation were developed as well. The software is user friendly and easy to use.

A consistent extension of the local spin density approximation to account for quantum dot mass and dielectric mismatches

A consistent extension of local spin density approximation (LSDA) to account for mass and dielectric mismatches in nanocrystals is presented. The extension accounting for variable effective mass is exact. Illustrative comparisons with available configuration interaction calculations show that the approach is also very reliable when it comes to account for dielectric mismatches. The modified LSDA is as fast and computationally low demanding as LSDA. Therefore, it is a tool suitable to study large particle systems in inhomogeneous media without much effort.

Oxygen adsorption on Cu(510)

Tässä työssä on tutkittu kuparin (510)-askelpinnan reaktiivisuutta käyttäen apuna kvanttimekaanisia ab initio laskentamenetelmiä. Tutkimus on toteutettu laskemalla happiatomin adsorptioenergia ja tilatiheys erilaisissa potentiaalisissa adsorptiopaikoissa pinnalla. Myös happimolekyylin adsorptiota ja hajoamista ontarkasteltu laskemalla pintaa lähestyvälle molekyylille potentiaalienergiapintoja. Energiapintojen tuloksia on myös täydennetty kvanttimekaanisilla molekyylidynamiikkalaskuilla. Metallisia askelpintoja pidetään yleisesti sileitä pintoja reaktiivisempina happea kohtaan, johtuen askeleen reunan pienentävästä vaikutuksesta molekyylin hajoamisen tiellä olevaan energiavaliin. On kuitenkin olemassa myös tuloksia, jotka osoittavat hapen tarttumisprosessin olevan hallitseva juuri terassialueella, askeleen reunan sijasta. Tässä työssä on todettu hapen adsorboituvan Cu(510)-pinnalla tehokkaimmin juuri terassilla olevaan hollow-paikkaan. Myös adsorptioenergiat ovat tällä pinnalla pienempiä kuin sileällä (100)-pinnalla. Potentiaalienergiapintojen perusteella Cu(510)-pinnan todetaan myös olevan vähemmän reaktiivinen kuin askelpintojen yleisesti odotetaan olevan, vaikka askeleen reunan todetaankin pienentävän happiatominhajoamisen esteenä olevaa energiavallia.

Pääomarakenteisiin vaikuttavat tekijät suomalaisissa pörssiyrityksissä

Tutkielman tavoitteena on selvittää lineaarisen regressioanalyysin avulla paneelidataa käyttäen suomalaisten pörssiyritysten pääomarakenteisiin vaikuttavat tekijät vuosina 1999-2004. Näiden tekijöiden avulla päätellään, mitä pääomarakenneteoriaa/-teorioita nämä yritykset noudattavat. Pääomarakenneteoriat voidaan jakaa kahteen luokkaan sen mukaan, pyritäänkö niissä optimaaliseen pääomarakenteeseen vai ei. Tradeoff- ja siihen liittyvässä agenttiteoriassa pyritään optimaaliseen pääomarakenteeseen. Tradeoff-teoriassa pääomarakenne valitaan punnitsemalla vieraan pääoman hyötyjä ja haittoja. Agenttiteoria on muuten samanlainen kuin tradeoff-teoria, mutta siinä otetaan lisäksi huomioon velan agenttikustannukset. Pecking order - ja ajoitusteoriassa ei pyritä optimaaliseen pääoma-rakenteeseen. Pecking order -teoriassa rahoitus valitaan hierarkian mukaan (tulorahoitus, vieras pääoma, välirahoitus, oma pääoma). Ajoitusteoriassa valitaan se rahoitusmuoto, jota on kannattavinta hankkia vallitsevassa markkinatilanteessa. Empiiristen tulosten mukaan velkaantumisaste riippuu positiivisesti riskistä, vakuudesta ja aineettomasta omaisuudesta. Velkaantumisaste riippuu negatiivisesti likviditeetistä, osaketuotoista ja kannattavuudesta. Osingoilla ei ole vaikutusta velkaantumisasteeseen. Toimialoista teollisuustuotteiden ja -palveluiden sekä perusteollisuuden aloilla on korkeammat velkaantumisasteet kuin muilla toimialoilla. Tulokset tukevat pääosin pecking order -teoriaa ja jonkin verran ajoitusteoriaa. Muut teoriat saavat vain vähäistä tukea.