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

Informations projet

SupraModel

N° de convention de subvention: 101077842

DOI

10.3030/101077842

Date de signature de la CE 20 Février 2023

Date de début 1 Avril 2023

Date de fin 31 Mars 2028

Financé au titre de

• European Research Council (ERC)

Coût total

€ 1 474 182,50

Contribution de l’UE

€ 1 474 182,00

Coordonné par

TECHNISCHE UNIVERSITAET MUENCHEN
Germany

CORDIS fournit des liens vers les livrables publics et les publications des projets HORIZON.

Les liens vers les livrables et les publications des projets du 7e PC, ainsi que les liens vers certains types de résultats spécifiques tels que les jeux de données et les logiciels, sont récupérés dynamiquement sur OpenAIRE .

Livrables

Data Management Plan (1)

Data Management Plan

Data Management Plan document.

Publications

Peer reviewed articles (5)

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

Auteurs: Fuchs, Paul; Sanocki, Michał; Zavadlav, Julija
Publié dans: npj Computational Materials, Numéro 11, 2025, ISSN 2057-3960
Éditeur: Springer Nature
DOI: 10.48550/ARXIV.2501.19179

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

Auteurs: Paul Fuchs; Weilong Chen; Stephan Thaler; Julija Zavadlav
Publié dans: Journal of Chemical Theory and Computation, Numéro 21, 2025, ISSN 1549-9626
Éditeur: American Chemical Society
DOI: 10.48550/ARXIV.2506.04055

JaxSGMC: Modular stochastic gradient MCMC in JAX

Auteurs: Stephan Thaler, Paul Fuchs, Ana Cukarska, Julija Zavadlav
Publié dans: SoftwareX, Numéro 26, 2025, ISSN 2352-7110
Éditeur: Elsevier BV
DOI: 10.1016/J.SOFTX.2024.101722

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

Auteurs: Paul Fuchs, Stephan Thaler, Sebastien Röcken, Julija Zavadlav
Publié dans: Computer Physics Communications, Numéro 310, 2025, ISSN 0010-4655
Éditeur: Elsevier BV
DOI: 10.1016/J.CPC.2025.109512

Predicting solvation free energies with an implicit solvent machine learning potential

Auteurs: Sebastien Röcken, Anton F. Burnet, Julija Zavadlav
Publié dans: The Journal of Chemical Physics, Numéro 161, 2024, ISSN 0021-9606
Éditeur: AIP Publishing
DOI: 10.1063/5.0235189