From data analysis to molecular understanding

Abstract

Tolkning av resultater og data fra molekylære simuleringer kan være svært krevende. Simuleringene kan ofte produsere mange terabyte av data med mange dimensjoner av høyt korrelerte deskriptorer. For å bedre tolke og behandle denne enorme mengden med data, har en software oppdatering for biblioteket for visualisering og postprosessering av data fra molekylsimuleringer, PyVisA, blitt utviklet. Oppdateringen inneholder metoder for 1- postprosessering av resultater som beregning av nye kollektive variabler, 2- ikke-veiledet læring som grupperingsanalyser og dimensjonsreduksjon av simuleringsdata, 3- beregning av korrelasjonsmatrisen mellom deskriptorer, 4- interaktivitet, animasjon og lagring av molekylære baner og 5- sortering basert på Monte Carlo prosedyre og lagrede data-filer.

I denne masteroppgaven har burdiffusjon i S1 hydrater blitt studert gjennom RETIS simuleringer av bur til bur hopp av metan. Dette ble gjort ved å bruke den nylig utviklede software-oppdateringen og de nye implementerte metodene i PyVisA. Et metanhydrat er en klatratstruktur av naturlig forekomst som har evnen til å fange gjestemolekyler som CH4 og CO2. Av denne grunn har metanhydratet stort potensiale både som en energiressurs og som et lagringsmedium for CO2. Hydratet ble studert med og uten vannledighet. Fra simuleringsresultatene har PyVisA suksessfullt beregnet og inkludert nye deskriptorer til eksisterende simuleringsdata, samt utført postprosessering av dataen. Som sådan har alle resultater blitt produsert enten direkte gjennom PyVisA, eller gjennom å analysere datafilene produsert gjennom PyRETIS. Fra resultatene kan det vises at arealet av den seksleddede ringen metanet hopper gjennom og volumet av startburet viser økte verdier idet metane hopper ut av startburet. Dette for begge systemer. Systemet med manglende vannmolekyler viste også en lavere rate og krysningssannsynlighet enn systemet uten manglende vann. Videre, for systemet med vannmangel så gav Gaussisk gruppering det beste resultatet når regionene i den potensielle energien skulle grupperes. PCA var også anvendt til begge systemer, og oppnådde en effektiv reduksjon i antall dimensjoner der 90% av variansen var beholdt.

Interpreting of results and data from molecular simulation can be a daunting task. The simulations can often output terabytes of data with high dimensionality and possibly many correlated descriptors. In order to better interpret and handle the large amounts of data generated, a software update for the library for visualization and post processing of data from molecular simulation, PyVisA, was developed. The updates include methods for 1- post processing of results such as recalculation of new collective variables, 2- unsupervised learning such as clustering and dimensionality reduction of simulation data, 3- computation of the correlation matrix between descriptors, 4- interactivity, animation and storage of trajectories and 5- sorting based on Monte Carlo procedures and available trajectory files.

In this master thesis, cage diffusion within S1 hydrates has been studied through RETIS simulations of cage-to-cage jumps of methane by using the newly developed features and software. A methane hydrate is a naturally occurring clathrate structure, capable of trapping guest molecules such as CH4 and CO2. Hence, the methane hydrates show potential both as an energy source and a means of storage for CO2. The hydrates where studied with and without water vacancies. From the simulation results, PyVisA was able to successfully add new descriptors to existing simulation data as well as perform post processing of the data. As such, all results where produced either directly through PyVisA, or by analyzing data files created from PyRETIS. From the results it can be shown that the area of the six-membered ring, and the volume of the cage show increased values as the methane molecules move towards the ring. This behavior was observed for the system with and without water vacancies. The system with water vacancies also report a far lower rate constant and crossing probability than the system without water vacancies. Further, for the system with vacancies, Gaussian mixture clustering provided the best result in capturing regions in the potential energy. PCA was also applied to both systems, which efficiently reduced the number of dimensions with 90% variance retained.