| Source DB | nl |
|---|
| Institution | UGent |
|---|
| Code | c29a5583-b463-40e1-9bf9-c967d02e55de |
|---|
| Unit | 3d80f44d-a6bd-4650-a26f-a7d882b99d2b
|
|---|
| Begin | 10/1/2017 |
|---|
| End | 9/30/2021 |
|---|
| title fr |
|
|---|
| title nl | Interagerende deeltjesnetwerken: een nieuwe "deep-learning" methode voor moleculaire simulaties van gecondenseerde fasen.
|
|---|
| title en | Interacting Particle Networks: a new deep learning approach to molecular simulation of condensed phases.
|
|---|
| Description fr |
|
|---|
| Description nl | Krachtvelden zijn computationeel zeer efficiënte, maar grove benaderingen voor het potentiële energie oppervlak van atoomkernen in moleculen. In dit project zullen recente doorbraken in machinaal leren worden uitgebuit om hun betrouwbaarheid te vergroten. Het doel van dit werk is het opzetten van krachtvelden met een nieuw ‘deep learning’ concept, ontworpen om veel-deeltjes interacties te begrijpen: het Interacting Particle Network (IPN).
|
|---|
| Description en | Force fields are computationally very efficient, yet coarse approximations to the potential energy surface felt by nuclei in molecules. In this project, recent breakthroughs in machine learning will be exploited to increase their reliability. The goal of this work, is to establish force fields with a novel deep learning concept, designed to “understand” many-body interactions: the Interacting Particle Network (IPN).
|
|---|
| Qualifiers | - Force fields - Krachtvelden - Machinaal leren - Machine learning - Moleculaire simulaties - Molecular simulations - |
|---|
| Personal | Cools-Ceuppens Maarten, Verstraelen Toon |
|---|
| Collaborations | |
|---|
