Hola,
¿eres nuevo aquí?

Regístrate gratis y conecta tu empresa con financiación pública, partners y proyectos.

Tengo cuenta

Regístrate

Ver video

ML Potentials

Financiado

Cerrado

Constructing Intermolecular Potentials by Combining Physics and Machine Learning

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... ver más

14/03/2020

uni.lu

161K€

Presupuesto del proyecto: 161K€

Líder del proyecto

UNIVERSITE DU LUXEMBOURG No se ha especificado una descripción o un objeto social para esta compañía.

TRL 4-5

Fecha límite participación Sin fecha límite de participación.

Financiación concedida El organismo H2020 notifico la concesión del proyecto el día 2020-03-14

MSCA-IF-2017: Individual Fellowships

I+D

Cerrada hace 7 años

0% 100% 100%

Información adicional privada

No hay información privada compartida para este proyecto. Habla con el coordinador.

1 Participantes

uni.lu

160.80K€ | Lider

Conecta tu I+D

¿Tienes un proyecto y buscas un partner? Gracias a nuestro motor inteligente podemos recomendarte los mejores socios y ponerte en contacto con ellos. Te lo explicamos en este video

Proyectos interesantes

FIAMMA Fully Integrating Atomistic Modeling with Machine Learning 2M€ Cerrado

MALAMER Machine Learning-Assisted simulation of Metalloenzyme’s Reac... 200K€ Cerrado

SMILE Statistical Mechanics of Learning 1M€ Cerrado

QML Quantum Machine Learning Chemical Reactions with Unpreceden... 2M€ Cerrado

UNEX13-1E-1529 Sistema de cómputo con un modelo de memoria mixto (compartid... 120K€ Cerrado

SPINTOP SPINTOP 150K€ Cerrado

Duración del proyecto: 23 meses Fecha Inicio: 2018-03-19
Fecha Fin: 2020-03-14

Líder del proyecto

UNIVERSITE DU LUXEMBOURG No se ha especificado una descripción o un objeto social para esta compañía.

TRL 4-5

Presupuesto del proyecto 161K€

Fecha límite de participación Sin fecha límite de participación.

Descripción del proyecto 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.

Conecta tu I+D

Entra hoy

¿Olvidé mi contraseña?

Financiación

Empresas

CTIs/Universidades

Proyectos

Investigadores