Article (Périodiques scientifiques)
Molecular force fields with gradient-domain machine learning (GDML): Comparison and synergies with classical force fields
Sauceda, Huziel E; Gastegger, Michael; Chmiela, Stefan et al.
2020In Journal of Chemical Physics
Peer reviewed vérifié par ORBi
 

Documents


Texte intégral
J.Chem.Phys.153_124109_2020.pdf
Postprint Éditeur (9.32 MB)
Télécharger

Tous les documents dans ORBilu sont protégés par une licence d'utilisation.

Envoyer vers



Détails



Disciplines :
Physique
Auteur, co-auteur :
Sauceda, Huziel E
Gastegger, Michael
Chmiela, Stefan
Müller, Klaus-Robert
TKATCHENKO, Alexandre ;  University of Luxembourg > Faculty of Science, Technology and Medicine (FSTM) > Department of Physics and Materials Science (DPHYMS)
Co-auteurs externes :
yes
Langue du document :
Anglais
Titre :
Molecular force fields with gradient-domain machine learning (GDML): Comparison and synergies with classical force fields
Date de publication/diffusion :
2020
Titre du périodique :
Journal of Chemical Physics
ISSN :
0021-9606
eISSN :
1089-7690
Maison d'édition :
American Institute of Physics, New York, Etats-Unis - New York
Peer reviewed :
Peer reviewed vérifié par ORBi
Focus Area :
Physics and Materials Science
Disponible sur ORBilu :
depuis le 28 décembre 2020

Statistiques


Nombre de vues
203 (dont 3 Unilu)
Nombre de téléchargements
222 (dont 2 Unilu)

citations Scopus®
 
32
citations Scopus®
sans auto-citations
25
OpenCitations
 
12
citations OpenAlex
 
45
citations WoS
 
34

Bibliographie


Publications similaires



Contacter ORBilu