Quantum Machine Learning: Chemical Reactions with Unprecedented Speed and Accuracy

Informations projet

QML

N° de convention de subvention: 772834

DOI

10.3030/772834

Projet clôturé

Date de signature de la CE 24 Janvier 2018

Date de début 1 Juin 2018

Date de fin 31 Mai 2024

Financé au titre de

• EXCELLENT SCIENCE - European Research Council (ERC)

Coût total

€ 1 980 500,00

Contribution de l’UE

€ 1 980 500,00

Coordonné par

TECHNISCHE UNIVERSITAT BERLIN
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 .

Publications

Other (7)

Machine Learning of Free Energies in Chemical Compound Space Using Ensemble Representations: Reaching Experimental Uncertainty for Solvation

Auteurs: Jan Weinreich, Nicholas J. Browning, O. Anatole von Lilienfeld
Publié dans: J. Chem. Phys., Numéro 154, 2021, Page(s) 134113
Éditeur: arXiv
DOI: 10.1063/5.0041548

Large yet bounded: Spin gap ranges in carbenes

Auteurs: Max Schwilk, Diana N. Tahchieva, O. Anatole von Lilienfeld
Publié dans: preprint, 2020
Éditeur: arXiv

Quantum based machine learning of competing chemical reaction profiles

Auteurs: Stefan Heinen, Guido Falk von Rudorff, O. Anatole von Lilienfeld
Publié dans: preprint, 2020
Éditeur: arXiv

Machine learning the computational cost of quantum chemistry

Auteurs: Stefan Heinen, Max Schwilk, Guido Falk von Rudorff, O. Anatole von Lilienfeld
Publié dans: Mach. Learn.: Sci. Tech. 1 025002 (2020), 2019
Éditeur: arxiv
DOI: 10.1088/2632-2153/ab6ac4

Occam's razor for AI: Coarse-graining Hammett Inspired Product Ansatz in Chemical Space

Auteurs: Bragato, Marco; von Rudorff, Guido Falk; von Lilienfeld, O. Anatole
Publié dans: preprint, Numéro 5, 2023
Éditeur: arxiv
DOI: 10.48550/arxiv.2305.07010

Generalized Alchemical Integral Transform and the multi-electron atom energy

Auteurs: Krug, Simon León; von Lilienfeld, O. Anatole
Publié dans: Numéro 1, 2023
Éditeur: arxiv

Simplifying inverse material design problems for fixed lattices with alchemical chirality

Auteurs: Guido Falk von Rudorff, O. Anatole von Lilienfeld
Publié dans: Science Advances, 2020
Éditeur: arXiv
DOI: 10.1126/sciadv.abf1173

Peer reviewed articles (17)

Geometry Relaxation and Transition State Search throughout Chemical Compound Space with Quantum Machine Learning

Auteurs: Heinen, S.; von Rudorff, G. F.; von Lilienfeld, O. A.
Publié dans: J Chem Phys, Numéro 20, 2022, ISSN 1089-7690
Éditeur: AIP
DOI: 10.48550/arxiv.2205.02623

Fast and accurate excited states predictions: Machine learning and diabatization

Auteurs: Štěpán Sršeň, O. Anatole von Lilienfeld, Petr Slavicek
Publié dans: Physical Chemistry Chemical Physics, 2023, ISSN 1463-9076
Éditeur: Royal Society of Chemistry
DOI: 10.26434/chemrxiv-2023-9pxq1

Impact of noise on inverse design: the case of NMR spectra matching

Auteurs: Dominik Lemm, Guido Falk von Rudorff, O. Anatole von Lilienfeld
Publié dans: Digital Discovery, Numéro 3, 2024, Page(s) 136-144, ISSN 2635-098X
Éditeur: RSC
DOI: 10.1039/d3dd00132f

Selected machine learning of HOMO–LUMO gaps with improved data-efficiency

Auteurs: Bernard Mazouin, Alexandre Alain Schöpfer, O. Anatole von Lilienfeld
Publié dans: Materials Advances, Numéro 3, 2024, Page(s) 8306-8316, ISSN 2633-5409
Éditeur: RSC
DOI: 10.1039/d2ma00742h

Data enhanced Hammett-equation: reaction barriers in chemical space

Auteurs: Marco Bragato, Guido Falk von Rudorff, O. Anatole von Lilienfeld
Publié dans: Chemical Science, Numéro 11/43, 2020, Page(s) 11859-11868, ISSN 2041-6520
Éditeur: Royal Society of Chemistry
DOI: 10.1039/d0sc04235h

Conformer-specific polar cycloaddition of dibromobutadiene with trapped propene ions

Auteurs: Ardita Kilaj, Jia Wang, Patrik Straňák, Max Schwilk, Uxía Rivero, Lei Xu, O. Anatole von Lilienfeld, Jochen Küpper, Stefan Willitsch
Publié dans: Nature Communications, Numéro 12, 2022, ISSN 2041-1723
Éditeur: Nature Publishing Group
DOI: 10.1038/s41467-021-26309-5

Noncovalent Quantum Machine Learning Corrections to Density Functionals

Auteurs: Pál D. Mezei, O. Anatole von Lilienfeld
Publié dans: Journal of Chemical Theory and Computation, Numéro 16/4, 2020, Page(s) 2647-2653, ISSN 1549-9618
Éditeur: American Chemical Society
DOI: 10.1021/acs.jctc.0c00181

Toward the design of chemical reactions: Machine learning barriers of competing mechanisms in reactant space

Auteurs: Stefan Heinen, Guido Falk von Rudorff, O. Anatole von Lilienfeld
Publié dans: The Journal of Chemical Physics, Numéro 155, 2023, ISSN 0021-9606
Éditeur: American Institute of Physics
DOI: 10.1063/5.0059742

Transition state search and geometry relaxation throughout chemical compound space with quantum machine learning

Auteurs: Stefan Heinen, Guido Falk von Rudorff, O. Anatole von Lilienfeld
Publié dans: The Journal of Chemical Physics, Numéro 157, 2023, ISSN 0021-9606
Éditeur: American Institute of Physics
DOI: 10.1063/5.0112856

Non-covalent interactions between molecular dimers (S66) in electric fields

Auteurs: Max Schwilk, Pál D Mezei, Diana N Tahchieva, O Anatole von Lilienfeld
Publié dans: Electronic Structure, Numéro 4, 2022, Page(s) 014005, ISSN 2516-1075
Éditeur: IOPP
DOI: 10.1088/2516-1075/ac4eeb

Evolutionary Monte Carlo of QM Properties in Chemical Space: Electrolyte Design

Auteurs: Konstantin Karandashev, Jan Weinreich, Stefan Heinen, Daniel Jose Arismendi Arrieta, Guido Falk von Rudorff, Kersti Hermansson, O. Anatole von Lilienfeld
Publié dans: Journal of Chemical Theory and Computation, Numéro 19, 2023, Page(s) 8861-8870, ISSN 1549-9618
Éditeur: American Chemical Society
DOI: 10.1021/acs.jctc.3c00822

Kernel based quantum machine learning at record rate: Many-body distribution functionals as compact representations

Auteurs: Danish Khan, Stefan Heinen, O. Anatole von Lilienfeld
Publié dans: The Journal of Chemical Physics, Numéro 159, 2023, ISSN 0021-9606
Éditeur: American Institute of Physics
DOI: 10.1063/5.0152215

Towards self-driving laboratories: The central role of density functional theory in the AI age

Auteurs: Huang, Bing; von Rudorff, Guido Falk; von Lilienfeld, O. Anatole
Publié dans: Science, 2023, ISSN 1095-9203
Éditeur: AAAS
DOI: 10.48550/arxiv.2304.03272

<i>Ab initio</i> machine learning of phase space averages

Auteurs: Jan Weinreich, Dominik Lemm, Guido Falk von Rudorff, O. Anatole von Lilienfeld
Publié dans: The Journal of Chemical Physics, Numéro 157, 2023, ISSN 0021-9606
Éditeur: American Institute of Physics
DOI: 10.1063/5.0095674

Reducing training data needs with minimal multilevel machine learning (M3L)

Auteurs: Stefan Heinen, Danish Khan, Guido Falk von Rudorff, Konstantin Karandashev, Daniel Jose Arismendi Arrieta, Alastair J A Price, Surajit Nandi, Arghya Bhowmik, Kersti Hermansson, O Anatole von Lilienfeld
Publié dans: Machine Learning: Science and Technology, Numéro 5, 2024, Page(s) 025058, ISSN 2632-2153
Éditeur: IOPP
DOI: 10.1088/2632-2153/ad4ae5

Encrypted machine learning of molecular quantum properties

Auteurs: Jan Weinreich, Guido Falk von Rudorff, O Anatole von Lilienfeld
Publié dans: Machine Learning: Science and Technology, Numéro 4, 2023, Page(s) 025017, ISSN 2632-2153
Éditeur: IOPP
DOI: 10.1088/2632-2153/acc928

Relative energies without electronic perturbations via alchemical integral transform

Auteurs: Simon León Krug, Guido Falk von Rudorff, O. Anatole von Lilienfeld
Publié dans: The Journal of Chemical Physics, Numéro 157, 2023, ISSN 0021-9606
Éditeur: American Institute of Physics
DOI: 10.1063/5.0111511