Machine Learning for Catalytic Carbon Dioxide Activation

Información del proyecto

MachineCat

Identificador del acuerdo de subvención: 792572

DOI

10.3030/792572

Proyecto cerrado

Fecha de la firma de la CE 4 Abril 2018

Fecha de inicio 1 Junio 2018

Fecha de finalización 31 Mayo 2020

Financiado con arreglo a

• EXCELLENT SCIENCE - Marie Skłodowska-Curie Actions

Coste total

€ 159 460,80

Aportación de la UE

€ 159 460,80

Coordinado por

TECHNISCHE UNIVERSITAT BERLIN
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 .

Publicaciones

Conference proceedings (1)

Symmetry-adapted generation of 3d point sets for the targeted discovery of molecules

Autores: Gebauer, Niklas W. A.; Gastegger, Michael; Schütt, Kristof T.
Publicado en: Advances in Neural Information Processing Systems, Edición 32, 2019, Página(s) 7566-7578
Editor: Curran Associates, Inc.

Peer reviewed articles (4)

Unifying machine learning and quantum chemistry with a deep neural network for molecular wavefunctions

Autores: K. T. Schütt, M. Gastegger, A. Tkatchenko, K.-R. Müller, R. J. Maurer
Publicado en: Nature Communications, Edición 10/1, 2019, Página(s) 5024, ISSN 2041-1723
Editor: Nature Publishing Group
DOI: 10.1038/s41467-019-12875-2

Machine learning enables long time scale molecular photodynamics simulations

Autores: Julia Westermayr, Michael Gastegger, Maximilian F. S. J. Menger, Sebastian Mai, Leticia González, Philipp Marquetand
Publicado en: Chemical Science, Edición 10/35, 2019, Página(s) 8100-8107, ISSN 2041-6520
Editor: Royal Society of Chemistry
DOI: 10.1039/c9sc01742a

Combining SchNet and SHARC: The SchNarc Machine Learning Approach for Excited-State Dynamics

Autores: Julia Westermayr, Michael Gastegger, Philipp Marquetand
Publicado en: The Journal of Physical Chemistry Letters, Edición 11/10, 2020, Página(s) 3828-3834, ISSN 1948-7185
Editor: American Chemical Society
DOI: 10.1021/acs.jpclett.0c00527

SchNetPack: A Deep Learning Toolbox For Atomistic Systems

Autores: K. T. Schütt, P. Kessel, M. Gastegger, K. A. Nicoli, A. Tkatchenko, K.-R. Müller
Publicado en: Journal of Chemical Theory and Computation, Edición 15/1, 2018, Página(s) 448-455, ISSN 1549-9618
Editor: American Chemical Society
DOI: 10.1021/acs.jctc.8b00908

Book chapters (2)

Molecular Dynamics with Neural Network Potentials

Autores: Michael Gastegger, Philipp Marquetand
Publicado en: Machine Learning Meets Quantum Physics, Edición 968, 2020, Página(s) 233-252, ISBN 978-3-030-40244-0
Editor: Springer International Publishing
DOI: 10.1007/978-3-030-40245-7_12

Quantum-Chemical Insights from Interpretable Atomistic Neural Networks

Autores: Kristof T. Schütt, Michael Gastegger, Alexandre Tkatchenko, Klaus-Robert Müller
Publicado en: Explainable AI: Interpreting, Explaining and Visualizing Deep Learning, Edición 11700, 2019, Página(s) 311-330, ISBN 978-3-030-28954-6
Editor: Springer International Publishing
DOI: 10.1007/978-3-030-28954-6_17