Quantum Machine Learning: Chemical Reactions with Unprecedented Speed and Accuracy

Informazioni relative al progetto

QML

ID dell’accordo di sovvenzione: 772834

DOI

10.3030/772834

Progetto chiuso

Data della firma CE 24 Gennaio 2018

Data di avvio 1 Giugno 2018

Data di completamento 31 Maggio 2024

Finanziato da

• EXCELLENT SCIENCE - European Research Council (ERC)

Costo totale

€ 1 980 500,00

Contributo UE

€ 1 980 500,00

Coordinato da

TECHNISCHE UNIVERSITAT BERLIN
Germany

CORDIS fornisce collegamenti ai risultati finali pubblici e alle pubblicazioni dei progetti ORIZZONTE.

I link ai risultati e alle pubblicazioni dei progetti del 7° PQ, così come i link ad alcuni tipi di risultati specifici come dataset e software, sono recuperati dinamicamente da .OpenAIRE .

Pubblicazioni

Other (7)

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

Autori: Jan Weinreich, Nicholas J. Browning, O. Anatole von Lilienfeld
Pubblicato in: J. Chem. Phys., Numero 154, 2021, Pagina/e 134113
Editore: arXiv
DOI: 10.1063/5.0041548

Large yet bounded: Spin gap ranges in carbenes

Autori: Max Schwilk, Diana N. Tahchieva, O. Anatole von Lilienfeld
Pubblicato in: preprint, 2020
Editore: arXiv

Quantum based machine learning of competing chemical reaction profiles

Autori: Stefan Heinen, Guido Falk von Rudorff, O. Anatole von Lilienfeld
Pubblicato in: preprint, 2020
Editore: arXiv

Machine learning the computational cost of quantum chemistry

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

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

Autori: Bragato, Marco; von Rudorff, Guido Falk; von Lilienfeld, O. Anatole
Pubblicato in: preprint, Numero 5, 2023
Editore: arxiv
DOI: 10.48550/arxiv.2305.07010

Generalized Alchemical Integral Transform and the multi-electron atom energy

Autori: Krug, Simon León; von Lilienfeld, O. Anatole
Pubblicato in: Numero 1, 2023
Editore: arxiv

Simplifying inverse material design problems for fixed lattices with alchemical chirality

Autori: Guido Falk von Rudorff, O. Anatole von Lilienfeld
Pubblicato in: Science Advances, 2020
Editore: arXiv
DOI: 10.1126/sciadv.abf1173

Peer reviewed articles (17)

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

Autori: Heinen, S.; von Rudorff, G. F.; von Lilienfeld, O. A.
Pubblicato in: J Chem Phys, Numero 20, 2022, ISSN 1089-7690
Editore: AIP
DOI: 10.48550/arxiv.2205.02623

Fast and accurate excited states predictions: Machine learning and diabatization

Autori: Štěpán Sršeň, O. Anatole von Lilienfeld, Petr Slavicek
Pubblicato in: Physical Chemistry Chemical Physics, 2023, ISSN 1463-9076
Editore: Royal Society of Chemistry
DOI: 10.26434/chemrxiv-2023-9pxq1

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

Autori: Dominik Lemm, Guido Falk von Rudorff, O. Anatole von Lilienfeld
Pubblicato in: Digital Discovery, Numero 3, 2024, Pagina/e 136-144, ISSN 2635-098X
Editore: RSC
DOI: 10.1039/d3dd00132f

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

Autori: Bernard Mazouin, Alexandre Alain Schöpfer, O. Anatole von Lilienfeld
Pubblicato in: Materials Advances, Numero 3, 2024, Pagina/e 8306-8316, ISSN 2633-5409
Editore: RSC
DOI: 10.1039/d2ma00742h

Data enhanced Hammett-equation: reaction barriers in chemical space

Autori: Marco Bragato, Guido Falk von Rudorff, O. Anatole von Lilienfeld
Pubblicato in: Chemical Science, Numero 11/43, 2020, Pagina/e 11859-11868, ISSN 2041-6520
Editore: Royal Society of Chemistry
DOI: 10.1039/d0sc04235h

Conformer-specific polar cycloaddition of dibromobutadiene with trapped propene ions

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

Noncovalent Quantum Machine Learning Corrections to Density Functionals

Autori: Pál D. Mezei, O. Anatole von Lilienfeld
Pubblicato in: Journal of Chemical Theory and Computation, Numero 16/4, 2020, Pagina/e 2647-2653, ISSN 1549-9618
Editore: American Chemical Society
DOI: 10.1021/acs.jctc.0c00181

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

Autori: Stefan Heinen, Guido Falk von Rudorff, O. Anatole von Lilienfeld
Pubblicato in: The Journal of Chemical Physics, Numero 155, 2023, ISSN 0021-9606
Editore: American Institute of Physics
DOI: 10.1063/5.0059742

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

Autori: Stefan Heinen, Guido Falk von Rudorff, O. Anatole von Lilienfeld
Pubblicato in: The Journal of Chemical Physics, Numero 157, 2023, ISSN 0021-9606
Editore: American Institute of Physics
DOI: 10.1063/5.0112856

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

Autori: Max Schwilk, Pál D Mezei, Diana N Tahchieva, O Anatole von Lilienfeld
Pubblicato in: Electronic Structure, Numero 4, 2022, Pagina/e 014005, ISSN 2516-1075
Editore: IOPP
DOI: 10.1088/2516-1075/ac4eeb

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

Autori: Konstantin Karandashev, Jan Weinreich, Stefan Heinen, Daniel Jose Arismendi Arrieta, Guido Falk von Rudorff, Kersti Hermansson, O. Anatole von Lilienfeld
Pubblicato in: Journal of Chemical Theory and Computation, Numero 19, 2023, Pagina/e 8861-8870, ISSN 1549-9618
Editore: American Chemical Society
DOI: 10.1021/acs.jctc.3c00822

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

Autori: Danish Khan, Stefan Heinen, O. Anatole von Lilienfeld
Pubblicato in: The Journal of Chemical Physics, Numero 159, 2023, ISSN 0021-9606
Editore: American Institute of Physics
DOI: 10.1063/5.0152215

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

Autori: Huang, Bing; von Rudorff, Guido Falk; von Lilienfeld, O. Anatole
Pubblicato in: Science, 2023, ISSN 1095-9203
Editore: AAAS
DOI: 10.48550/arxiv.2304.03272

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

Autori: Jan Weinreich, Dominik Lemm, Guido Falk von Rudorff, O. Anatole von Lilienfeld
Pubblicato in: The Journal of Chemical Physics, Numero 157, 2023, ISSN 0021-9606
Editore: American Institute of Physics
DOI: 10.1063/5.0095674

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

Autori: 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
Pubblicato in: Machine Learning: Science and Technology, Numero 5, 2024, Pagina/e 025058, ISSN 2632-2153
Editore: IOPP
DOI: 10.1088/2632-2153/ad4ae5

Encrypted machine learning of molecular quantum properties

Autori: Jan Weinreich, Guido Falk von Rudorff, O Anatole von Lilienfeld
Pubblicato in: Machine Learning: Science and Technology, Numero 4, 2023, Pagina/e 025017, ISSN 2632-2153
Editore: IOPP
DOI: 10.1088/2632-2153/acc928

Relative energies without electronic perturbations via alchemical integral transform

Autori: Simon León Krug, Guido Falk von Rudorff, O. Anatole von Lilienfeld
Pubblicato in: The Journal of Chemical Physics, Numero 157, 2023, ISSN 0021-9606
Editore: American Institute of Physics
DOI: 10.1063/5.0111511