Objectif
Statistical-learning approaches are emerging as powerful alternatives to direct approaches to solving the electronic Schrödinger equation for determining the energy and other properties of molecules. Despite the recent success of methods like deep neural networks, these methods are limited to relatively small molecules. The issue is that predicting long-range intermolecular interactions with machine learning requires sampling the vast diversity of chemical environments that occur on an extended length scale, leading to a combinatorial explosion in the amount of training data that is required. To solve this problem, the functional form of the long-range interactions is taken from physical models, but the parameters that enter those expressions (atomic charges/multipoles; induced charges/multipoles; van der Waals coefficients) are determined by combining physical insight with machine learning. In this model, machine learning is used only to predict short-range phenomena like the dependence of atomic charges/multipoles on the molecular structure and the dependence of induced atomic charges/multipoles on the local electric field. The resulting machine-learned physically-motivated atomistic intermolecular potentials are valid for molecules of any size, but only require training data from small- and medium-sized molecules.
This development will provide molecular energies with the accuracy of quantum methods, at the computational cost of classical molecular mechanics approaches. This not only allows one to compute interaction energies for large molecules (e.g. the binding energy between a drug and a receptor), but allows the computational screening of molecules based on computed interaction energies. In addition to its transformative computational utility, this pioneering strategy—using physical insight to build a model, then using machine learning methods for the parameters in the model—can be extended to many other problems in chemistry, physics, and materials science.
Champ scientifique (EuroSciVoc)
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN. Voir: Le vocabulaire scientifique européen.
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN. Voir: Le vocabulaire scientifique européen.
- sciences naturelles informatique et science de l'information intelligence artificielle apprentissage automatique
Vous devez vous identifier ou vous inscrire pour utiliser cette fonction
Mots‑clés
Les mots-clés du projet tels qu’indiqués par le coordinateur du projet. À ne pas confondre avec la taxonomie EuroSciVoc (champ scientifique).
Les mots-clés du projet tels qu’indiqués par le coordinateur du projet. À ne pas confondre avec la taxonomie EuroSciVoc (champ scientifique).
Programme(s)
Programmes de financement pluriannuels qui définissent les priorités de l’UE en matière de recherche et d’innovation.
Programmes de financement pluriannuels qui définissent les priorités de l’UE en matière de recherche et d’innovation.
-
H2020-EU.1.3. - EXCELLENT SCIENCE - Marie Skłodowska-Curie Actions
PROGRAMME PRINCIPAL
Voir tous les projets financés dans le cadre de ce programme -
H2020-EU.1.3.2. - Nurturing excellence by means of cross-border and cross-sector mobility
Voir tous les projets financés dans le cadre de ce programme
Thème(s)
Les appels à propositions sont divisés en thèmes. Un thème définit un sujet ou un domaine spécifique dans le cadre duquel les candidats peuvent soumettre des propositions. La description d’un thème comprend sa portée spécifique et l’impact attendu du projet financé.
Les appels à propositions sont divisés en thèmes. Un thème définit un sujet ou un domaine spécifique dans le cadre duquel les candidats peuvent soumettre des propositions. La description d’un thème comprend sa portée spécifique et l’impact attendu du projet financé.
Régime de financement
Régime de financement (ou «type d’action») à l’intérieur d’un programme présentant des caractéristiques communes. Le régime de financement précise le champ d’application de ce qui est financé, le taux de remboursement, les critères d’évaluation spécifiques pour bénéficier du financement et les formes simplifiées de couverture des coûts, telles que les montants forfaitaires.
Régime de financement (ou «type d’action») à l’intérieur d’un programme présentant des caractéristiques communes. Le régime de financement précise le champ d’application de ce qui est financé, le taux de remboursement, les critères d’évaluation spécifiques pour bénéficier du financement et les formes simplifiées de couverture des coûts, telles que les montants forfaitaires.
MSCA-IF - Marie Skłodowska-Curie Individual Fellowships (IF)
Voir tous les projets financés dans le cadre de ce programme de financement
Appel à propositions
Procédure par laquelle les candidats sont invités à soumettre des propositions de projet en vue de bénéficier d’un financement de l’UE.
Procédure par laquelle les candidats sont invités à soumettre des propositions de projet en vue de bénéficier d’un financement de l’UE.
(s’ouvre dans une nouvelle fenêtre) H2020-MSCA-IF-2017
Voir tous les projets financés au titre de cet appelCoordinateur
La contribution financière nette de l’UE est la somme d’argent que le participant reçoit, déduite de la contribution de l’UE versée à son tiers lié. Elle prend en compte la répartition de la contribution financière de l’UE entre les bénéficiaires directs du projet et d’autres types de participants, tels que les participants tiers.
4365 ESCH-SUR-ALZETTE
Luxembourg
Les coûts totaux encourus par l’organisation concernée pour participer au projet, y compris les coûts directs et indirects. Ce montant est un sous-ensemble du budget global du projet.