139585 research outputs found
Sort by
Maannousun mallinnus
No full textMaannousulla tarkoitetaan maanvaipan hidasta kohoamista jääkauden jälkeen. Maannousua tapahtuu alueilla, joilla jääkauden aikana oli paksuja jäämassoja. Tässä kandidaatintyössä maannousua mallinnetaan STAR-mallilla, jossa mallin parametrit voivat muuttua eri tilojen välillä. Tilojen määrä ja siirtymät määräytyvät aineiston ja mallinnettavan ilmiön perusteella. Työn aineistona käytettiin Tukholman merivedenkorkeutta vuosilta 1774--2022. Työssä aineistoa muokattiin mallinnusta varten, ja aikaisempia menetelmiä käsiteltiin lyhyesti. Perusteltiin myös, miksi STAR-malli voisi olla käyttökelpoinen. STAR-mallin parametrit estimoitiin. Estimoidun mallin tuloksia tarkasteltiin ja sitä verrattiin yksinkertaisempiin malleihin, kuten lineaariseen malliin. Työn keskeinen tulos on, että maannousun mallintaminen STAR-mallilla ei ole tarpeellista, sillä yksinkertaisemmat mallit, kuten lineaarinen malli, tuottavat samankaltaiset tulokset. Lisäksi havaittiin, että STAR-mallin estimoinnissa esiintyy numeerisia ongelmia, jotka vaikuttavat tulosten luotettavuuteen. Näihin ongelmiin ehdotettiin ratkaisuja. Kuukausikeskiarvon käyttö vuosikeskiarvon sijaan voisi ratkaista numeerisen ongelman
Tietoon pohjautuva päättely visuaalisiin kysymyksiin vastaamisessa
No full textKnowledge-based visual question answering (VQA) requires models to leverage external knowledge beyond the given image to answer the stated question. While large language models (LLMs) can implicitly encode such knowledge, their purely text-based pre-training makes their reasoning ability less suited for visually grounded tasks, and most LLM-based VQA methods still fail to explicitly retrieve relevant information.
This thesis introduces Knowledge-Integrated Reasoning for VQA (KIR-VQA), a novel framework that augments prompt-guided caption generation with external knowledge retrieval and integrates these knowledge-guided captions into the LLM's prompt. Moreover, KIR-VQA fine-tunes a pre-trained vision-language transformer for VQA, and leverages its latent answer space for in-context example selection. KIR-VQA ensures that the LLM receives explicit information grounded in both the question and the image, rather than relying solely on its implicit knowledge for the VQA task.
Extensive experiments on the OK-VQA and A-OKVQA datasets demonstrate the effectiveness of the KIR-VQA framework, surpassing both open-source and proprietary LLM-based approaches. Beyond evaluating the framework, a detailed component-wise analysis is performed on two baseline models, Simple and Prophet. This analysis assesses the impact of adding or replacing key components, such as introducing question-aware captions instead of generic image captions, incorporating retrieved knowledge into caption generation, and fine-tuning a vision-language transformer for in-context example selection.
The findings of this thesis illustrate that utilizing a vision-language transformer to select in-context examples yields notable gains over more conventional modules. Likewise, adding question-aware captions increases accuracy. Although the incorporation of retrieved knowledge offers varying results, the qualitative analysis of KIR-VQA highlights both the advantages and pitfalls of external knowledge retrieval. These outcomes underscore the potential for retrieving external knowledge for caption generation to produce knowledge-rich prompts for LLMs, paving the way for future research in knowledge-based VQA.Tietopohjainen visuaalisiin kysymyksiin vastaaminen (VKV) edellyttää malleilta kykyä hyödyntää ulkoista tietoa pelkän kuvan lisäksi. Vaikka suuret kielimallit voivat sisältää tällaista tietoa implisiittisesti, niiden puhtaasti tekstipohjainen esikoulutus tekee niiden päättelykyvystä heikommin soveltuvan visuaalisiin tehtäviin. Lisäksi valtaosa suuriin kielimalleihin pohjautuvista VKV-menetelmistä ei kykene eksplisiittiseen tiedonhakuun.
Tässä työssä esitellään Knowledge-Integrated Reasoning for VQA (KIR-VQA) -menetelmä, joka sisällyttää haetun tiedon kehotteella ohjattuun kuvatekstien tuottamiseen ja sisällyttää nämä tiedolla rikastetut kuvatekstit suuren kielimallin kehotteeseen. Lisäksi KIR-VQA hienosäätää esikoulutetun Transformer-pohjaisen näkö-kielimallin VKV-tehtävään ja hyödyntää sen piilevää vastausavaruutta kontekstiesimerkkien valinnassa. Tällä tavoin KIR-VQA varmistaa, että suuri kielimalli saa eksplisiittisesti sekä kysymykseen että kuvaan pohjautuvaa tietoa, eikä nojaa pelkästään omaan implisiittiseen tietoonsa.
Laajat kokeet OK-VQA ja A-OKVQA datajoukoilla osoittavat, että KIR-VQA-menetelmä ylittää sekä avoimen lähdekoodin että kaupalliset suuriin kielimalleihin pohjautuvat lähestymistavat. Menetelmälle suoritetaan myös komponenttikohtainen analyysi käyttäen Simple- ja Prophet-menetelmiä. Tässä analyysissä tarkastellaan muun muassa kysymystietoisten kuvatekstien käyttöä geneeristen kuvatekstien sijaan, haetun tiedon integrointia kuvatekstien generointiin, sekä näkö-kielimallin hienosäätöä kontekstiesimerkkien valintaa varten.
Tulokset osoittavat, että Transformer-pohjaisen näkö-kielimallin hyödyntäminen kontekstiesimerkkien valinnassa parantaa suorituskykyä merkittävästi verrattuna perinteisempiin menetelmiin. Samoin kysymystietoisten kuvatekstien lisääminen parantaa tarkkuutta. Sen sijaan haetun tiedon hyödyntäminen tuottaa vaihtelevia tuloksia, ja KIR-VQA:n laadullinen analyysi tuo esiin sekä ulkoisen tiedonhaun edut että sen haasteet. Nämä havainnot korostavat ulkoisen tiedonhaun hyödyntämisen potentiaalia kuvatekstien tuottamisessa, jotta voidaan tarjota rikastettuja kehotteita suurille kielimalleille. Tämä avaa uusia tutkimussuuntia tietopohjaisessa VKV:ssa
Explainable machine learning (XML) framework for seismic assessment of structures using Extreme Gradient Boosting (XGBoost)
No full textPublisher Copyright: © 2025 The AuthorsIn the field of structural engineering, optimizing retrofitting strategies for bolstering seismic resilience stands as a pressing challenge. Existing methods are often limited by the time-intensive nature of nonlinear time history (NLTH) analysis and the lack of transparency in machine learning (ML) techniques. This study presents an innovative framework for optimizing retrofitting strategies in structural engineering to enhance seismic resilience. The framework integrates eXtreme Gradient Boosting (XGBoost) and the Spring-Rotational Friction Damper (SRFD) retrofit system, known for its ability to dissipate seismic energy and incorporate self-centering mechanisms. The approach improves transparency in machine learning processes and streamlines design optimization. It uses eXplainable Artificial Intelligence (XAI) methods, such as SHapley Additive exPlanations (SHAP) and Local Interpretable Model-agnostic Explanations (LIME), to provide insights into model predictions and ensure clear decision-making processes. The framework uses data-driven optimization to tailor design parameters to specific seismic hazards, enhancing seismic resilience. Its accuracy was validated through a comprehensive analysis, showing low residual errors, favorable learning curves, and a mean squared error (MSE) of 0.00142. The research evaluates the framework using 2D and 3D case study structures, comparing metrics like maximum displacement, residual drift, maximum inter-story drift (MIDR), and energy dissipation. The seismic performance evaluation confirmed the effectiveness of the design procedure for determining optimal retrofit system parameters estimated by the eXplainable Machine Learning (XML) framework. This represents a significant advancement in seismic assessment methodologies, enabling engineers to make informed decisions about building safety and promoting the adoption of ML-based approaches in earthquake engineering.Peer reviewe
Different is more - Selected works in heterostructures of transition metal dichalcogenides
No full textHeterostructures are composite materials composed of different parts put together, and they are designed to bring artificial properties. Especially after the discovery of graphene in 2004 and later other two-dimensional layered materials, the idea of assembling heterostructures like toy bricks came true and became a daily routine in quantum material research. These studies continue as many heterostructures are waiting to be realized and direct synthesis and transfer technology are expecting optimization and upgrading.
On the other hand, people can now expect to use simple materials and easy protocols to reproduce strongly correlated quantum phenomena shown before in complex compounds with multiple components, such as unconventional high-temperature superconductivity in cuprates, heavy fermions and quantum criticality in rare earth compounds. The simple material platform saves energy for reproducing and reduces the difficulty of analysis. The work here chooses transition metal dichalcogenides with a layered structure as the building blocks. Together with heterostructure technology, they bring new opportunities and new insights to these challenges.
This booklet tries to answer the question of what more physics will emerge when assembling different materials together, by presenting several examples, as well as necessary experimental and theoretical tools. It first briefly introduces all necessary tools, e.g., the materials transition metal dichalcogenides, molecular beam epitaxy, scanning tunneling microscopy and spectroscopy tech, as well as theories such as the Hubbard model, the single impurity Anderson model and the Kondo model. Together with these techs in the odyssey of searching new quantum phases, some key findings are reported, e.g., a doped Mott insulator in the vertical heterostructure 1T/1H-NbSe2, where the 1T-phase gives Hubbard model physics and that 1H-phase acts as a charge transfer dopant; 1D interfaces in 2D lateral heterostructures 1T-VSe2—1H-NbSe2, with side-coupled Kondo resonance where VSe2 provides localized magnetic moments and NbSe2 provides conduction electrons; and finally other heterostructure applications. These compositions of different components effectively and seamlessly bring new properties which cannot be found in solo materials. These experiments successfully explore new synthesizing methods and discover new condensed matter platforms for many-body physics. These different materials, different Hamiltonian terms bring more phases and more physics
Well-being in pain questionnaire : A novel, reliable, and valid tool for assessment of the personal well-being in individuals with chronic low back pain
No full textPublisher Copyright: © 2025 the author(s), published by De Gruyter.BACKGROUND: Well-being is closely related to health, recovery, and longevity. Chronic musculoskeletal pain (CMP) is a major health challenge in the general population, which can have a negative effect on subjective well-being. The ability to identify patients' well-being protective factors, including psychological, social, and lifestyle components, can help guide the therapeutic process in the management of CMP. Recognizing the absence of a dedicated well-being questionnaire, tailored specifically for CMP populations, an 11-item well-being in pain questionnaire (WPQ) was developed. OBJECTIVES: The objectives were to develop a valid and reliable patient-reported measure of personal pain-specific well-being protective factors and to evaluate its psychometric properties, including (i) internal consistency; (ii) known-group validity between subjects with chronic low back pain (CLBP) and healthy pain-free controls; (iii) convergent validity between the WPQ and measures of health-related quality of life, catastrophizing, sleep quality, symptoms of central sensitization, and anxiety; and (iv) structural validity with exploratory factor analysis. DESIGN: This is a cross-sectional validation study. METHODS: After reviewing previous CMP and well-being literature, the novel WPQ items were constructed by expert consensus and target population feedback. The psychometric properties of the WPQ were evaluated in a sample of 145 participants, including 92 subjects with CLBP and 53 pain-free controls. RESULTS: Feedback from a preliminary group of CMP patients about the relevance, content, and usability of the test items was positive. Internal consistency showed acceptable results (α = 0.89). The assessment of convergent validity showed moderate correlations (≤0.4 or ≥-0.4.) with well-established subject-reported outcome measures. The assessment of structural validity yielded a one-factor solution, supporting the unidimensionality of the WPQ. CONCLUSIONS: The psychometric results provided evidence of acceptable reliability and validity of the WPQ. Further research is needed to determine the usability of the WPQ as an assessment and outcome tool in the comprehensive management of subjects with CMP.Peer reviewe
Generatiivisen tekoälyn hyödyntäminen kilpailuedun saavuttamiseksi strategisten liiketoimintamallien näkökulmasta
No full textThe rapid emergence of generative AI technology has profoundly transformed the business environment, generating significant interest in understanding its strategic implications. Despite meaningful contributions to this area, a comprehensive framework for explaining competitive advantage in the generative AI field remains absent. This thesis seeks to address this gap by developing such a framework. The research employs a qualitative case study methodology focused on the generative AI operations of Microsoft Corporation and Alphabet. Using AI-assisted coding for document analysis, the research expands the scope of data processed, enabling a thorough examination of key themes. These findings are evaluated through established strategic management theories and frameworks, culminating in the proposal of a three-attribute framework that highlights the synergistic interactions vital for competitive advantage in generative AI. The research also offers actionable recommendations for managers on effectively leveraging organizational resources and capabilities to optimize these synergies, thereby fostering sustained competitive advantage.Generatiivisen tekoälyn nopea kehitys on laajalti mullistanut kansainvälisen liiketoimintaympäristön, mikä on herättänyt suurta kiinnostusta sen strategisten vaikutusten ymmärtämiseen. Merkittävistä tutkimuksista huolimatta nykykirjallisuus tekoälyn alalla ei ole esittänyt kattavaa strategista mallia, joka selittäisi kilpailuedun muodostumisen generatiivisen tekoälyn liiketoiminnassa. Tämä opinnäytetyö pyrkii vastaamaan tähän aukkoon kehittämällä sopivan mallin. Tutkimus hyödyntää kvalitatiivista tapaustutkimusmetodologiaa, joka keskittyy Microsofti- ja Alphabet-korporaatioiden generatiivisen tekoälyn toimintaan. Tekoälyavusteisen tekstikoodauksen avulla tehtävä dokumenttianalyysi laajentaa käsitellyn aineiston kattavuutta, mahdollistaen alan keskeisten teemojen laajan tarkastelun. Näitä löydöksiä arvioidaan vakiintuneiden strategisen johtamisen teorioiden ja mallien avulla. Tämän analyysin pohjalta opinnäytetyö esittää kolmeen attribuuttiin perustuvaa strategista mallia. Tämä malli tuo esiin synergiset vuorovaikutukset, jotka ovat tärkeitä kilpailuedun saavuttamiseksi generatiivisen tekoälyn alalla. Tutkimus tarjoaa myös käytännön suosituksia johtajille siitä, miten tehokkaasti hyödyntää organisaation resursseja ja kyvykkyyksiä näiden synergioiden optimoimiseksi ja siten kestävän kilpailuedun saavuttamiseksi
Correlative analysis of structural and magnetic properties of erbium doped yttrium iron garnet
No full textThe use of optical fibers in long-distance quantum interconnects requires data conversion from microwaves to optics. The field of magnonics, the area of physics focused on the quasiparticles of the propagating disturbances in the electron spin space, provides promising solutions for microwave-to-optics transducers. One of the key components of these transducers is a yttrium iron garnet (YIG) waveguide, the optical properties of which can be enhanced by erbium doping. Hence, we have grown erbium-doped YIG (Er:YIG) thin films on gadolinium gallium garnet (GGG) substrates by pulsed laser deposition (PLD) with varying erbium concentrations and growth temperatures. The aim of this thesis is to analyze the structural and magnetic properties of the samples with respect to the varied parameters. The analysis was conducted via X-ray diffraction (XRD), x-ray reflection (XRR), reciprocal space mapping (RSM), vibrating-sample magnetometry (VSM), ferromagnetic resonance (FMR) spectroscopy, and Kerr microscopy. Lattice strains obtained from the XRD measurements were found to decrease when the growth temperatures were increased. Additionally, unit cell volumes calculated from the RSM measurements showed a non-linear dependence on erbium concentration, indicating reduced erbium presence in the unit cells at higher nominal erbium concentrations. The effective magnetization obtained from the FMR measurements was observed to correlate with the unit cell volumes. In addition, the magnonic damping, saturation magnetization, and uniaxial anisotropy constants were determined from the FMR, VSM, and Kerr microscopy measurements, respectively. No correlation with erbium concentration, unit cell volume, or growth temperature was found.Kun valokuituja käytetään pitkän välimatkan kvanttiliitännöissä, on mikroaallot muunnettava optisille aallonpituuksille. Muuntaminen voidaan toteuttaa magnoniikkaa hyödyntävillä mikroaalto-optiikkamuuntajilla. Magnoniikka on kiinteän aineen fysiikan osa-alue, joka tutkii elektronien spin-avaruudessa etenevien häiriöiden kvasipartikkeleja eli magnoneita. Yttrium-rauta-granaatista (YIG:stä) valmistettu aaltoputki on magnoneihin perustuvien mikroaalto-optiikkamuuntajien tärkeimpiä komponentteja, ja sen optisia ominaisuuksia voi kehittää seostamalla YIG:tä erbiumilla. Erbium-seostamisen vaikutuksia YIG:n rakenteellisiin ja magneettisiin ominaisuuksiin kannattaakin tutkia. Näin ollen tätä tutkielmaa varten on kasvatettu Er:YIG-ohutkalvoa gadolinium-gallium-granaatti-substraatin päälle pulssitettua laserablaatiomenetelmää hyödyntäen. Eri näytteiden välillä on vaihdeltu erbiumin konsentraatiota ja kasvatuksen lämpötilaa. Tutkielman tavoitteena on siis ollut tutkia Er:YIG:n magneettisia ja rakenteellisia ominaisuuksia erbiumin konsentraation ja kasvatuslämpötilan suhteen. Tutkimusmenetelminä on käytetty röntgendiffraktiota (XRD), röntgenheijastuvuutta (XRR), käänteisavaruuskartoittamista (RSM), tärisevän näytteen magnetometriaa (VSM), ferromagneettista resonanssispektroskopiaa (FMR) ja Kerr-mikroskopiaa. XRD-mittauksista saatavien hilavenymien havaittiin vähenevän kasvatuslämpötilan kasvaessa. Lisäksi yksikkökoppien tilavuudet määritettiin RSM-mittauksien perusteella, ja niiden todettiin riippuvan erbiumkonsentraatiosta epälineaarisesti. FMR-mittauksien perusteella määritetyn efektiivisen magnetisaation havaittiin korreloivan yksikkösolujen tilavuuksien kanssa. Lisäksi magnonien vaimentumisvakio selvitettiin FMR:n ja yksiakselinen anisotropiavakio Kerr-mikroskopian avulla. Kuitenkaan korrelaatiota erbiumkonsentraation, yksikkökoppien tilavuuksien tai kasvatuslämpötilojen kanssa ei ollut havaittavissa
The Influence of Rational and Irrational Factors on Consumer Choice of a Private Healthcare Provider
No full textChoosing a private healthcare provider is a complex decision-making process influenced by rational and irrational factors. This thesis aims to understand the factors that shape consumer behavior when selecting a private healthcare provider. Moreover, it focuses on the challenges and barriers consumers face and the role of emotional and psychological influences. The method used for this thesis is a literature review, which synthesizes findings from the existing studies and theories.
The research highlights that rational considerations like the cost of healthcare, waiting times, previous care experience, and recommendations are critical. However, emotional, and psychological factors, such as perceived risk, fear of regret, and cognitive overload, often complicate decision-making. These multiple factors affecting the choice of healthcare provider can sometimes lead to delays in treatment or nonoptimal decisions for the consumer. The findings provide valuable insights of patient decision-making process and encourages the private healthcare providers to assist consumers in making informed decisions. Although the study is not region-specific, it is particularly relevant to the Finnish private healthcare sector.Yksityisen terveydenhuollon tarjoajan valinta on monimutkainen päätöksentekoprosessi, johon vaikuttavat sekä rationaaliset että irrationaaliset tekijät. Tämän tutkielman tavoitteena on ymmärtää tekijöitä, jotka vaikuttavat kuluttajien käyttäytymiseen ja näin myös lopulliseen päätökseen valitessaan yksityisen terveydenhuollon palveluntarjoajan. Työssä keskitytään myös kuluttajien kohtaamiin haasteisiin ja esteisiin sekä emotionaalisten että psykologisten vaikutusten rooliin päätöksenteossa. Menetelmänä on kirjallisuuskatsaus, jossa yhdistetään olemassa olevien tutkimusten ja teorioiden havaintoja.
Tutkimuksessa korostetaan, että vaikka rationaaliset näkökohdat, kuten terveydenhuollon kustannukset, odotusajat, aiemmat hoitokokemukset ja suositukset, ovat ratkaisevia, emotionaaliset ja psykologiset tekijät, kuten koettu riski, katumuksen pelko ja kognitiivinen ylikuormitus, vaikeuttavat usein päätöksentekoa. Terveydenhoitopalvelujen tarjoajan valintaan vaikuttavat tekijät voivat paikoitellen johtaa potilaan hoitoon hakeutumisen viivästymiseen tai kuluttajan kannalta epäoptimaalisiin päätöksiin. Tutkielman tulokset tarjoavat arvokasta tietoa potilaiden päätöksentekoprosessista ja kannustavat yksityisiä terveydenhuollon tarjoajia auttamaan kuluttajia tekemään tietoon perustuvia päätöksiä. Vaikka tutkimus ei ole aluekohtainen, se on erityisen tärkeä Suomen yksityisen terveydenhuollon kannalta
Dispersiovuorovaikutukset koneoppivissa potentiaaleissa suuren skaalan atomistisia simulaatioita varten
No full textDispersion interactions are intermolecular interactions that are present in all materials. Due to their cumulative and long-range nature, and the fact that these interactions originate from electron correlation, they are not properly captured by most exchange-correlation functionals used in density-functional theory (DFT). Instead, some kind of dispersion correction is often added to these calculations to account for the missing dispersion interactions. In many systems, accurate modeling of dispersion interactions requires many-body dispersion (MBD) to be taken into account, but these interactions significantly increase the computational resources required for simulations compared to the often used pairwise additive models, making them intractable for large-scale atomistic simulations.
With the recent advent of machine learning (ML) in materials science, the problem with the computational cost of the DFT calculations can be mitigated by training ML potentials for various materials using DFT data as the reference database. These potentials are able to interpolate new results on the potential energy surfaces of the systems without further DFT calculations. However, because these potentials are trained on the DFT data based on descriptors of local atomic environments, they also lack proper dispersion interactions. The non-local nature of these interactions and the locality requirement of the ML potentials pose a challenge to the inclusion of these interactions in ML frameworks.
In this thesis, we show how dispersion interactions can be included in ML potentials using local parametrization of the atomic environment. We first modify a pairwise-additive dispersion model for the ML framework such that it produces atom-centered contributions to the dispersion energies from local parameters. Next, the method is generalized to MBD by deriving the atom-centered dispersion from the global MBD energy such that the computational scaling of the final model is linear with respect to the number of atoms. Since the MBD implementation inevitably incurs a significant additional computational cost to the computationally efficient ML potentials, we also design a method to reparametrize the pairwise-additive model with periodic corrections from the MBD model on the fly during molecular dynamics simulations. With this method we achieve a significant speed-up for the simulations with an acceptable error in the results. As linear-scaling and readily parallelizable by design, our methodology allows one to run extremely large-scale molecular dynamics in a fraction of the computational time required for the corresponding DFT calculations, while producing quantum-mechanically accurate results that include MBD interactions.Dispersiovuorovaikutukset ovat molekyylien välisiä vuorovaikutuksia, joita on kaikissa materiaaleissa. Sen lisäksi, että nämä vuorovaikutukset saavat alkunsa elektronien korrelaatiosta, niiden kumulatiivisuuden ja pitkän kantaman luonteen vuoksi suurin osa tiheysfunktionaaliteoriassa (DFT) käytetyistä vaihto- ja korrelaatiofunktionaaleista ei pysty mallintamaan näitä vuorovaikutuksia tarkasti. Tämän vuoksi laskuihin lisätään usein jonkinlainen dispersiokorjaus, jotta saadaan huomioitua tämä puuttuva vuorovaikutus. Monissa systeemeissä dispersionvuorovaikutusten tarkka mallintaminen vaatii monen kappaleen dispersion (MBD) huomioonottamista, mutta nämä vuorovaikutukset nostavat huomattavasti simulaatioiden vaatimia laskennallisia resursseja verrattuna usein käytettyihin pareittain additiviisiin malleihin. Tämä tekee niistä mahdottomia käyttää suuren skaalan atomistisissa simulaatioissa.
Hiljattain koneoppiminen (ML) on tehnyt tuloaan materiaalitieteeseen mahdollistaen simulaatioiden vaatimien resurssien vähentämisen kehittämällä ML-potentiaaleja, jotka on kehitetty DFT-laskujen tuloksia tietokantana käyttäen. Nämä potentiaalit pystyvät interpoloimaan uusia tuloksia systeemien potentiaalienergiapinnoilla ilman uusia DFT-laskuja. Koska nämä potentiaalit käyttävät lokaaleihin atomiympäristöihin perustuvia deskriptoreja tekemään ennustuksia laskuista, jotka on alun perin laskettu DFT:llä, niistä puuttuu samalla tavalla dispersionvuorovaikutusten kontribuutio. Näiden vuorovaikutusten epälokaalius ja ML-deskriptorien lokaalius on merkittävä haste dispersiovuorvaikutusten sisällyttämisessä ML-potentiaaleihin.
Tässä väitöskirjassa näytetään kuinka dispersiovuorovaikutusten lisääminen ML-potentiaaleihin on mahdollista käyttämällä atomiympäristöjen lokaalia parametrisaatiota. Ensin pareittain additiivinen dispersiomalli muutetaan ML-potentiaaleille sopivaksi siten, että se tuottaa atomikeskisiä dispersioenergioita lokaaleista parametreista. Menetelmä yleistetään MBD:hen johtamalla atomikeskinen dispersioenergia globaalista MBD-energiasta siten, että lopullisen mallin laskennallinen skaalaus on lineaarinen suhteessa atomien lukumäärään. Koska MBD-mallista aiheutuu väistämättä laskennallisia lisäkustannuksia tehokkaille ML-potentiaaleille, kehitetään lisäksi menetelmä pareittain additiivisen dispersiomallin uudelleen parametrisointiin molekyylidynamiikkasimulaatioiden (MD) aikana käyttäen MBD-mallin antamia periodisia korjauksia. Tällä tavalla saavutetaan menetelmä, joka nopeuttaa simulaatioita huomattavasti ja aiheuttaa hyväksyttävän virheen lopullisiin tuloksiin. Koska menetelmä on lineaarisesti skaalaava ja helposti rinnakkaisohjelmoitava, voidaan sillä ajaa suuren skaalan atomistisia MD-simulaatioita murto-osalla siitä ajasta, joka DFT:llä menisi samoihin laskuihin, samalla tuottaen kvanttimekaanisesti tarkkoja MBD-vuorovaikutukset sisältäviä tuloksia
Fokusoitu sitoutuminen tai kokonaisvaltainen hallinto: strategiat korkeampiin ESG-arvioihin – Konfiguraatiotutkimus ESG-menestyksen hallinnollisista sekä strategisista valinnoista
No full textThis thesis aims to recognise different configurations of strategic and governance attributes that companies can implement to improve their ESG (environmental, social and governance) scores. The study is done on a sample of 70 North American industrial sector companies. Companies on the industrial sector are under pressure to improve their sustainability commitment and performance, as the sector is one of the main corporate contributors to climate change.
The study is done using the fuzzy-set Qualitative Comparative Analysis (fsQCA) approach, which is a configurational study methodology combining both quantitative and qualitative study techniques. It recognises how the corporate governance and strategic attributes used in this thesis interact with each other and the different bundles which lead to higher ESG scores.
Five explanatory conditions are used as variables in the study: structural diversity (gender and ethnic diversity), effective attendance (board size and board meeting attendance), board control (number of independent directors and CEO power), CSR focus (presence of CSR committee and CSR reporting), and R&D intensity.
The main analysis finds two configurations that are consistently linked with high ESG scores: the first strategy, named focused engagement strategy, has CSR focus and effective attendance present and structural diversity as an absent condition. The second strategy is named holistic governance strategy, as it is more comprehensive, having four out of the five conditions present. In addition, several sub-analyses are made. First, a score for ESG specialisation is calculated, based on whether the companies concentrate on all of the ESG pillars equally or specialise only in one of them. Two configurations are found to be linked with high ESG specialisation. Moreover, a sub-sample analysis is conducted dividing the sample by firm size.
The findings contribute to the research on the influence that governance characteristics have on sustainability and offers a configurational perspective to the question