Decoding, Mapping and Designing the Structural Complexity of Hydrogen-Bond Networks: from Water to Proteins to Polymers

Informations projet

HBMAP

N° de convention de subvention: 677013

DOI

10.3030/677013

Projet clôturé

Date de signature de la CE 21 Decembre 2015

Date de début 1 Mai 2016

Date de fin 30 Avril 2021

Financé au titre de

• EXCELLENT SCIENCE - European Research Council (ERC)

Coût total

€ 1 500 000,00

Contribution de l’UE

€ 1 500 000,00

Coordonné par

ECOLE POLYTECHNIQUE FEDERALE DE LAUSANNE
Switzerland

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 .

Publications

Peer reviewed articles (41)

Structure-property maps with Kernel principal covariates regression

Auteurs: Benjamin A Helfrecht, Rose K Cersonsky, Guillaume Fraux, Michele Ceriotti
Publié dans: Machine Learning: Science and Technology, Numéro 1/4, 2020, Page(s) 045021, ISSN 2632-2153
Éditeur: IOP
DOI: 10.1088/2632-2153/aba9ef

Identifying and Tracking Defects in Dynamic Supramolecular Polymers

Auteurs: Piero Gasparotto, Davide Bochicchio, Michele Ceriotti, Giovanni M. Pavan
Publié dans: The Journal of Physical Chemistry B, Numéro 124/3, 2019, Page(s) 589-599, ISSN 1520-6106
Éditeur: American Chemical Society
DOI: 10.1021/acs.jpcb.9b11015

Learning the electronic density of states in condensed matter

Auteurs: Chiheb Ben Mahmoud, Andrea Anelli, Gábor Csányi, Michele Ceriotti
Publié dans: Physical Review B, Numéro 102/23, 2020, ISSN 2469-9950
Éditeur: Physic Rev
DOI: 10.1103/physrevb.102.235130

Large-Scale Computational Screening of Molecular Organic Semiconductors Using Crystal Structure Prediction

Auteurs: Jack Yang, Sandip De, Josh E. Campbell, Sean Li, Michele Ceriotti, Graeme M. Day
Publié dans: Chemistry of Materials, Numéro 30/13, 2018, Page(s) 4361-4371, ISSN 0897-4756
Éditeur: American Chemical Society
DOI: 10.1021/acs.chemmater.8b01621

Multi-scale approach for the prediction of atomic scale properties

Auteurs: Andrea Grisafi, Jigyasa Nigam, Michele Ceriotti
Publié dans: Chemical Science, Numéro 12/6, 2021, Page(s) 2078-2090, ISSN 2041-6520
Éditeur: Royal Society of Chemistry
DOI: 10.1039/d0sc04934d

Iterative Unbiasing of Quasi-Equilibrium Sampling

Auteurs: F. Giberti, B. Cheng, G. A. Tribello, M. Ceriotti
Publié dans: Journal of Chemical Theory and Computation, Numéro 16/1, 2019, Page(s) 100-107, ISSN 1549-9618
Éditeur: American Chemical Society
DOI: 10.1021/acs.jctc.9b00907

Predicting molecular dipole moments by combining atomic partial charges and atomic dipoles

Auteurs: Max Veit, David M. Wilkins, Yang Yang, Robert A. DiStasio, Michele Ceriotti
Publié dans: The Journal of Chemical Physics, Numéro 153/2, 2020, Page(s) 024113, ISSN 0021-9606
Éditeur: American Institute of Physics
DOI: 10.1063/5.0009106

Machine learning unifies the modeling of materials and molecules

Auteurs: Albert P. Bartók, Sandip De, Carl Poelking, Noam Bernstein, James R. Kermode, Gábor Csányi, Michele Ceriotti
Publié dans: Science Advances, Numéro 3/12, 2017, Page(s) e1701816, ISSN 2375-2548
Éditeur: AAAS
DOI: 10.1126/sciadv.1701816

Machine Learning for the Structure-Energy-Property Landscapes of Molecular Crystals

Auteurs: Felix Musil, Sandip De, Jack Yang, Josh E. Campbell, Graeme Matthew Day, Michele Ceriotti
Publié dans: Chemical Science, Numéro 9, 2017, Page(s) 1289, ISSN 2041-6520
Éditeur: Royal Society of Chemistry
DOI: 10.1039/C7SC04665K

Recognizing Local and Global Structural Motifs at the Atomic Scale

Auteurs: Piero Gasparotto, Robert Horst Meißner, Michele Ceriotti
Publié dans: Journal of Chemical Theory and Computation, 2018, ISSN 1549-9618
Éditeur: American Chemical Society
DOI: 10.1021/acs.jctc.7b00993

Comparison of permutationally invariant polynomials, neural networks, and Gaussian approximation potentials in representing water interactions through many-body expansions

Auteurs: Thuong T. Nguyen, Eszter Székely, Giulio Imbalzano, Jörg Behler, Gábor Csányi, Michele Ceriotti, Andreas W. Götz, Francesco Paesani
Publié dans: The Journal of Chemical Physics, Numéro 148/24, 2018, Page(s) 241725, ISSN 0021-9606
Éditeur: American Institute of Physics
DOI: 10.1063/1.5024577

Generalized convex hull construction for materials discovery

Auteurs: Andrea Anelli, Edgar A. Engel, Chris J. Pickard, Michele Ceriotti
Publié dans: Physical Review Materials, Numéro 2/10, 2018, ISSN 2475-9953
Éditeur: American Physical Society
DOI: 10.1103/PhysRevMaterials.2.103804

Mapping uncharted territory in ice from zeolite networks to ice structures

Auteurs: Edgar A. Engel, Andrea Anelli, Michele Ceriotti, Chris J. Pickard, Richard J. Needs
Publié dans: Nature Communications, Numéro 9/1, 2018, ISSN 2041-1723
Éditeur: Nature Publishing Group
DOI: 10.1038/s41467-018-04618-6

Decisive role of nuclear quantum effects on surface mediated water dissociation at finite temperature

Auteurs: Yair Litman, Davide Donadio, Michele Ceriotti, Mariana Rossi
Publié dans: The Journal of Chemical Physics, Numéro 148/10, 2018, Page(s) 102320, ISSN 0021-9606
Éditeur: American Institute of Physics
DOI: 10.1063/1.5002537

Fast-forward Langevin dynamics with momentum flips

Auteurs: Mahdi Hijazi, David M. Wilkins, Michele Ceriotti
Publié dans: The Journal of Chemical Physics, Numéro 148/18, 2018, Page(s) 184109, ISSN 0021-9606
Éditeur: American Institute of Physics
DOI: 10.1063/1.5029833

Symmetry-Adapted Machine Learning for Tensorial Properties of Atomistic Systems

Auteurs: Andrea Grisafi, David M. Wilkins, Gábor Csányi, Michele Ceriotti
Publié dans: Physical Review Letters, Numéro 120/3, 2018, ISSN 0031-9007
Éditeur: American Physical Society
DOI: 10.1103/PhysRevLett.120.036002

Automatic selection of atomic fingerprints and reference configurations for machine-learning potentials

Auteurs: Giulio Imbalzano, Andrea Anelli, Daniele Giofré, Sinja Klees, Jörg Behler, Michele Ceriotti
Publié dans: The Journal of Chemical Physics, Numéro 148/24, 2018, Page(s) 241730, ISSN 0021-9606
Éditeur: American Institute of Physics
DOI: 10.1063/1.5024611

Nuclear quantum effects enter the mainstream

Auteurs: Thomas E. Markland, Michele Ceriotti
Publié dans: Nature Reviews Chemistry, Numéro 2/3, 2018, Page(s) 0109, ISSN 2397-3358
Éditeur: Springer NAture
DOI: 10.1038/s41570-017-0109

Chemical shifts in molecular solids by machine learning

Auteurs: Federico M. Paruzzo, Albert Hofstetter, Félix Musil, Sandip De, Michele Ceriotti, Lyndon Emsley
Publié dans: Nature Communications, Numéro 9/1, 2018, ISSN 2041-1723
Éditeur: Nature Publishing Group
DOI: 10.1038/s41467-018-06972-x

Theoretical prediction of the homogeneous ice nucleation rate: disentangling thermodynamics and kinetics

Auteurs: Bingqing Cheng, Christoph Dellago, Michele Ceriotti
Publié dans: Physical Chemistry Chemical Physics, Numéro 20/45, 2018, Page(s) 28732-28740, ISSN 1463-9076
Éditeur: Royal Society of Chemistry
DOI: 10.1039/C8CP04561E

Feature optimization for atomistic machine learning yields a data-driven construction of the periodic table of the elements

Auteurs: Michael J. Willatt, Félix Musil, Michele Ceriotti
Publié dans: Physical Chemistry Chemical Physics, Numéro 20/47, 2018, Page(s) 29661-29668, ISSN 1463-9076
Éditeur: Royal Society of Chemistry
DOI: 10.1039/C8CP05921G

Transferable Machine-Learning Model of the Electron Density

Auteurs: Andrea Grisafi, Alberto Fabrizio, Benjamin Meyer, David M. Wilkins, Clemence Corminboeuf, Michele Ceriotti
Publié dans: ACS Central Science, Numéro 5/1, 2019, Page(s) 57-64, ISSN 2374-7943
Éditeur: ACS
DOI: 10.1021/acscentsci.8b00551

Accurate molecular polarizabilities with coupled cluster theory and machine learning

Auteurs: David M. Wilkins, Andrea Grisafi, Yang Yang, Ka Un Lao, Robert A. DiStasio, Michele Ceriotti
Publié dans: Proceedings of the National Academy of Sciences, Numéro 116/9, 2019, Page(s) 3401-3406, ISSN 0027-8424
Éditeur: National Academy of Sciences
DOI: 10.1073/pnas.1816132116

Unsupervised machine learning in atomistic simulations, between predictions and understanding

Auteurs: Michele Ceriotti
Publié dans: The Journal of Chemical Physics, Numéro 150/15, 2019, Page(s) 150901, ISSN 0021-9606
Éditeur: American Institute of Physics
DOI: 10.1063/1.5091842

i-PI 2.0: A universal force engine for advanced molecular simulations

Auteurs: Venkat Kapil, Mariana Rossi, Ondrej Marsalek, Riccardo Petraglia, Yair Litman, Thomas Spura, Bingqing Cheng, Alice Cuzzocrea, Robert H. Meißner, David M. Wilkins, Benjamin A. Helfrecht, Przemysław Juda, Sébastien P. Bienvenue, Wei Fang, Jan Kessler, Igor Poltavsky, Steven Vandenbrande, Jelle Wieme, Clemence Corminboeuf, Thomas D. Kühne, David E. Manolopoulos, Thomas E. Markland, Jeremy O. Rich
Publié dans: Computer Physics Communications, Numéro 236, 2019, Page(s) 214-223, ISSN 0010-4655
Éditeur: Elsevier BV
DOI: 10.1016/j.cpc.2018.09.020

Fast and Accurate Uncertainty Estimation in Chemical Machine Learning

Auteurs: Félix Musil, Michael J. Willatt, Mikhail A. Langovoy, Michele Ceriotti
Publié dans: Journal of Chemical Theory and Computation, Numéro 15/2, 2018, Page(s) 906-915, ISSN 1549-9618
Éditeur: American Chemical Society
DOI: 10.1021/acs.jctc.8b00959

Ab initio thermodynamics of liquid and solid water

Auteurs: Bingqing Cheng, Edgar A. Engel, Jörg Behler, Christoph Dellago, Michele Ceriotti
Publié dans: Proceedings of the National Academy of Sciences, Numéro 116/4, 2019, Page(s) 1110-1115, ISSN 0027-8424
Éditeur: National Academy of Sciences
DOI: 10.1073/pnas.1815117116

Atom-density representations for machine learning

Auteurs: Michael J. Willatt, Félix Musil, Michele Ceriotti
Publié dans: The Journal of Chemical Physics, Numéro 150/15, 2019, Page(s) 154110, ISSN 0021-9606
Éditeur: American Institute of Physics
DOI: 10.1063/1.5090481

A new kind of atlas of zeolite building blocks

Auteurs: Benjamin A. Helfrecht, Rocio Semino, Giovanni Pireddu, Scott M. Auerbach, Michele Ceriotti
Publié dans: The Journal of Chemical Physics, Numéro 151/15, 2019, Page(s) 154112, ISSN 0021-9606
Éditeur: American Institute of Physics
DOI: 10.1063/1.5119751

Assessment of Approximate Methods for Anharmonic Free Energies

Auteurs: Venkat Kapil, Edgar Engel, Mariana Rossi, Michele Ceriotti
Publié dans: Journal of Chemical Theory and Computation, Numéro 15/11, 2019, Page(s) 5845-5857, ISSN 1549-9618
Éditeur: American Chemical Society
DOI: 10.1021/acs.jctc.9b00596

A Bayesian approach to NMR crystal structure determination

Auteurs: Edgar A. Engel, Andrea Anelli, Albert Hofstetter, Federico Paruzzo, Lyndon Emsley, Michele Ceriotti
Publié dans: Physical Chemistry Chemical Physics, Numéro 21/42, 2019, Page(s) 23385-23400, ISSN 1463-9076
Éditeur: Royal Society of Chemistry
DOI: 10.1039/c9cp04489b

Quantum mechanical static dipole polarizabilities in the QM7b and AlphaML showcase databases

Auteurs: Yang Yang, Ka Un Lao, David M. Wilkins, Andrea Grisafi, Michele Ceriotti, Robert A. DiStasio
Publié dans: Scientific Data, Numéro 6/1, 2019, ISSN 2052-4463
Éditeur: Springer
DOI: 10.1038/s41597-019-0157-8

Using Gaussian process regression to simulate the vibrational Raman spectra of molecular crystals

Auteurs: Nathaniel Raimbault, Andrea Grisafi, Michele Ceriotti, Mariana Rossi
Publié dans: New Journal of Physics, Numéro 21/10, 2019, Page(s) 105001, ISSN 1367-2630
Éditeur: Institute of Physics Publishing
DOI: 10.1088/1367-2630/ab4509

Barely porous organic cages for hydrogen isotope separation

Auteurs: Ming Liu, Linda Zhang, Marc A. Little, Venkat Kapil, Michele Ceriotti, Siyuan Yang, Lifeng Ding, Daniel L. Holden, Rafael Balderas-Xicohténcatl, Donglin He, Rob Clowes, Samantha Y. Chong, Gisela Schütz, Linjiang Chen, Michael Hirscher, Andrew I. Cooper
Publié dans: Science, Numéro 366/6465, 2019, Page(s) 613-620, ISSN 0036-8075
Éditeur: American Association for the Advancement of Science
DOI: 10.1126/science.aax7427

Atomic Motif Recognition in (Bio)Polymers: Benchmarks From the Protein Data Bank

Auteurs: Benjamin A. Helfrecht, Piero Gasparotto, Federico Giberti, Michele Ceriotti
Publié dans: Frontiers in Molecular Biosciences, Numéro 6, 2019, ISSN 2296-889X
Éditeur: University College London, United Kingdom
DOI: 10.3389/fmolb.2019.00024

Incorporating long-range physics in atomic-scale machine learning

Auteurs: Andrea Grisafi, Michele Ceriotti
Publié dans: The Journal of Chemical Physics, Numéro 151/20, 2019, Page(s) 204105, ISSN 0021-9606
Éditeur: American Institute of Physics
DOI: 10.1063/1.5128375

Thermally-nucleated self-assembly of water and alcohol into stable structures at hydrophobic interfaces

Auteurs: Kislon Voïtchovsky, Daniele Giofrè, Juan José Segura, Francesco Stellacci, Michele Ceriotti
Publié dans: Nature Communications, Numéro 7, 2016, Page(s) 13064, ISSN 2041-1723
Éditeur: Nature Publishing Group
DOI: 10.1038/ncomms13064

Inexpensive modeling of quantum dynamics using path integral generalized Langevin equation thermostats

Auteurs: Venkat Kapil, David M. Wilkins, Jinggang Lan, Michele Ceriotti
Publié dans: The Journal of Chemical Physics, Numéro 152/12, 2020, Page(s) 124104, ISSN 0021-9606
Éditeur: American Institute of Physics
DOI: 10.1063/1.5141950

Chemiscope: interactive structure-property explorer for materials and molecules

Auteurs: Guillaume Fraux, Rose Cersonsky, Michele Ceriotti
Publié dans: Journal of Open Source Software, Numéro 5/51, 2020, Page(s) 2117, ISSN 2475-9066
Éditeur: Independent
DOI: 10.21105/joss.02117

Improving sample and feature selection with principal covariates regression

Auteurs: Rose K Cersonsky, Benjamin A Helfrecht, Edgar A Engel, Sergei Kliavinek, Michele Ceriotti
Publié dans: Machine Learning: Science and Technology, Numéro 2/3, 2021, Page(s) 035038, ISSN 2632-2153
Éditeur: Machine Learning: Science and Technology
DOI: 10.1088/2632-2153/abfe7c

Global Free-Energy Landscapes as a Smoothly Joined Collection of Local Maps

Auteurs: F. Giberti, G. A. Tribello, M. Ceriotti
Publié dans: Journal of Chemical Theory and Computation, Numéro 17/6, 2021, Page(s) 3292-3308, ISSN 1549-9618
Éditeur: American Chemical Society
DOI: 10.1021/acs.jctc.0c01177

Book chapters (1)

Atomic-Scale Representation and Statistical Learning of Tensorial Properties

Auteurs: Andrea Grisafi; David M. Wilkins; Michael J. Willatt; Michele Ceriotti
Publié dans: ACS Symposium Series, Numéro 4, 2019
Éditeur: Machine Learning in Chemistry
DOI: 10.1021/bk-2019-1326.ch001