Hola,
¿eres nuevo aquí?

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

Tengo cuenta

Regístrate

Ver video

FIAMMA

Financiado

Cerrado

Fully Integrating Atomistic Modeling with Machine Learning

Computer simulations of molecules and materials are undergoing a profound transformation. Machine learning (ML) has become essential to extend the reach and increase the predictive power of atomic-scale modeling. The potential of... ver más

31/12/2026

EPFL

2M€

Presupuesto del proyecto: 2M€

Líder del proyecto

ECOLE POLYTECHNIQUE FEDERALE DE LAUSANNE No se ha especificado una descripción o un objeto social para esta compañía.

TRL 4-5

Fecha límite participación Sin fecha límite de participación.

Ver 2 Participantes

Financiación concedida El organismo H2020 notifico la concesión del proyecto el día 2020-12-18

ERC-2020-COG: ERC CONSOLIDATOR GRANTS

I+D

Cerrada hace 4 años

0% 100% 100%

Información adicional privada

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

2 Participantes

EPFL

2.00M€ | Lider

LINEAR INTERNATIONAL ENTERTA...

236.99K€ | Participante

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

Qu&Co-Flow Quantum software platform for multiphysics simulations 4M€ Cerrado

RTC2019-007196-7 Quspin: aceleradores hardware inspirados en física cuántic... 376K€ Cerrado

FASTKiT Fully Adaptive Simulation Tool for Kinetic Theory 166K€ Cerrado

QCLAB Revolutionary new quantum chemical software for molecular si... 1M€ Cerrado

DComEX Data Driven Computational Mechanics at EXascale 3M€ Cerrado

CNS2023-145392 Ciencias de la computación y tecnología informática 399K€ Cerrado

Duración del proyecto: 72 meses Fecha Inicio: 2020-12-18
Fecha Fin: 2026-12-31

Líder del proyecto

ECOLE POLYTECHNIQUE FEDERALE DE LAUSANNE No se ha especificado una descripción o un objeto social para esta compañía.

TRL 4-5

Presupuesto del proyecto 2M€

Fecha límite de participación Sin fecha límite de participación.

Descripción del proyecto Computer simulations of molecules and materials are undergoing a profound transformation. Machine learning (ML) has become essential to extend the reach and increase the predictive power of atomic-scale modeling. The potential of ML in association with quantum mechanical (QM) and statistical mechanical (SM) methods has been shown, but the link has been rather superficial, due to the complex, interdisciplinary effort needed to combine the three approaches. Without full convergence, ML-powered simulations cannot address modern modeling challenges, which involve complex materials in realistic conditions, and require increasingly predictive accuracy. The objective of this project is to create a plug and play framework by which ML can be seamlessly combined with physics-based modeling, substituting individual steps of a QM calculation, or making direct predictions across complex SM workflows. Full integration of the three approaches will greatly extend the reach of atomistic simulations, and allow an insightful critical comparison of the role of inductive and deductive paradigms in theory and modeling. The development of an open-source software that unifies QM, SM and ML shall facilitate early adoption and broaden impact. We will demonstrate the benefits of our integrated framework through two challenging and compelling platform problems: (i) investigating stabilities and properties of flexible drug-like molecules and assemblies, and (ii) discovering fundamental structure-activity relationships of porous aluminosilicates for clean chemical technologies. Critical knowledge gaps that will be filled include: (1) the description of long-range physics within the same conceptual framework that has been used for short-range interactions; (2) the symmetry-adapted representation of input and outputs of each step of a QM calculation; and (3) the rigorous characterization of SM ensembles to enable end-to-end predictions of equilibrium properties with uncertainty quantification.

Conecta tu I+D

Entra hoy

¿Olvidé mi contraseña?

Financiación

Empresas

CTIs/Universidades

Proyectos

Investigadores