Hola,
¿eres nuevo aquí?

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

Tengo cuenta

Regístrate

Ver video

MaLeR

Financiado

Cerrado

Machine Learning applied to Reactivity combination of HDNNs with ReaxFF

Computational chemistry and materials science rely on accurate methods for calculating the thermodynamic and kinetic stabilities of different compounds. In order to model large and realistic chemical systems, computationally effic... ver más

30/11/2020

SCM

166K€

Presupuesto del proyecto: 166K€

Líder del proyecto

SOFTWARE FOR CHEMISTRY MATERIALS BV 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 2020-11-30

MSCA-IF-2017: Individual Fellowships

I+D

Cerrada hace 7 años

0% 100%

Información adicional privada

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

1 Participantes

SCM

165.60K€ | 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

NET Nanoreactivity at drastically Extended Timescales 105K€ Cerrado

ML Potentials Constructing Intermolecular Potentials by Combining Physics... 161K€ Cerrado

EQC2019-005580-P Recursos Computacionales basados en GPUs para Dinámica Molec... 48K€ Cerrado

CompBat Computer aided desing for next generation flow batteries 2M€ Cerrado

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

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

Duración del proyecto: 32 meses Fecha Inicio: 2018-03-21
Fecha Fin: 2020-11-30

Líder del proyecto

SOFTWARE FOR CHEMISTRY MATERIALS BV No se ha especificado una descripción o un objeto social para esta compañía.

TRL 4-5

Presupuesto del proyecto 166K€

Fecha límite de participación Sin fecha límite de participación.

Descripción del proyecto Computational chemistry and materials science rely on accurate methods for calculating the thermodynamic and kinetic stabilities of different compounds. In order to model large and realistic chemical systems, computationally efficient methods like force-fields are needed. Force-fields have physically motivated functional forms, but are not flexible enough to accurately describe most chemical reactions. Here, we intend to alleviate this problem by combining a state-of-the-art reactive force field, ReaxFF, with artificial neural networks (NNs). NNs constitute an example of machine learning (ML) methods, and are extremely fast to compute. Due to their very flexible functional forms, NNs can be parameterized to reproduce any other target function, which here is the error made by ReaxFF. By combining ReaxFF with the variant of NNs known as high-dimensional neural networks (HDNNs), the resulting ReaxFF+HDNN method will provide an all-purpose computationally efficient method for applications in chemistry, biochemistry, and materials science. The developed method will first be applied to unravel high-temperature fullerene reconstruction mechanisms, a notorious case where the original ReaxFF functional form has been shown to be inadequate. The combination of HDNNs with the more computationally expensive semi-empirical density functional based tight-binding method, DFTB, will also be explored. The development and implementation will take place at SCM in Amsterdam, which has a long-standing history of modern ReaxFF method developments.

Conecta tu I+D

Entra hoy

¿Olvidé mi contraseña?

Financiación

Empresas

CTIs/Universidades

Proyectos

Investigadores