Peptide-based Supramolecular Co-assembly Design: Multiscale Machine Learning Modeling Approach

Información del proyecto

SupraModel

Identificador del acuerdo de subvención: 101077842

DOI

10.3030/101077842

Fecha de la firma de la CE 20 Febrero 2023

Fecha de inicio 1 Abril 2023

Fecha de finalización 31 Marzo 2028

Financiado con arreglo a

• European Research Council (ERC)

Coste total

€ 1 474 182,50

Aportación de la UE

€ 1 474 182,00

Coordinado por

TECHNISCHE UNIVERSITAET MUENCHEN
Germany

CORDIS proporciona enlaces a los documentos públicos y las publicaciones de los proyectos de los programas marco HORIZONTE.

Los enlaces a los documentos y las publicaciones de los proyectos del Séptimo Programa Marco, así como los enlaces a algunos tipos de resultados específicos, como conjuntos de datos y «software», se obtienen dinámicamente de OpenAIRE .

Resultado final

Data Management Plan (1)

Data Management Plan

Data Management Plan document.

Publicaciones

Peer reviewed articles (5)

Learning non-local molecular interactions via equivariant local representations and charge equilibration

Autores: Fuchs, Paul; Sanocki, Michał; Zavadlav, Julija
Publicado en: npj Computational Materials, Edición 11, 2025, ISSN 2057-3960
Editor: Springer Nature
DOI: 10.48550/ARXIV.2501.19179

chemtrain-deploy: A Parallel and Scalable Framework for Machine Learning Potentials in Million-Atom MD Simulations

Autores: Paul Fuchs; Weilong Chen; Stephan Thaler; Julija Zavadlav
Publicado en: Journal of Chemical Theory and Computation, Edición 21, 2025, ISSN 1549-9626
Editor: American Chemical Society
DOI: 10.48550/ARXIV.2506.04055

JaxSGMC: Modular stochastic gradient MCMC in JAX

Autores: Stephan Thaler, Paul Fuchs, Ana Cukarska, Julija Zavadlav
Publicado en: SoftwareX, Edición 26, 2025, ISSN 2352-7110
Editor: Elsevier BV
DOI: 10.1016/J.SOFTX.2024.101722

chemtrain: Learning deep potential models via automatic differentiation and statistical physics

Autores: Paul Fuchs, Stephan Thaler, Sebastien Röcken, Julija Zavadlav
Publicado en: Computer Physics Communications, Edición 310, 2025, ISSN 0010-4655
Editor: Elsevier BV
DOI: 10.1016/J.CPC.2025.109512

Predicting solvation free energies with an implicit solvent machine learning potential

Autores: Sebastien Röcken, Anton F. Burnet, Julija Zavadlav
Publicado en: The Journal of Chemical Physics, Edición 161, 2024, ISSN 0021-9606
Editor: AIP Publishing
DOI: 10.1063/5.0235189