We're sorry but this page doesn't work properly without JavaScript enabled. Please enable it to continue.
Feedback

Potential and limitations of machine learning interatomic potentials to study deep eutectic solvents

Formale Metadaten

Titel
Potential and limitations of machine learning interatomic potentials to study deep eutectic solvents
Serientitel
Anzahl der Teile
15
Autor
Lizenz
CC-Namensnennung 3.0 Deutschland:
Sie dürfen das Werk bzw. den Inhalt zu jedem legalen Zweck nutzen, verändern und in unveränderter oder veränderter Form vervielfältigen, verbreiten und öffentlich zugänglich machen, sofern Sie den Namen des Autors/Rechteinhabers in der von ihm festgelegten Weise nennen.
Identifikatoren
Herausgeber
Erscheinungsjahr
Sprache
ProduktionsortKaiserslautern

Inhaltliche Metadaten

Fachgebiet
Genre
Abstract
Machine learning interatomic potentials (MLIPs) trained on quantum chemistry data provide access to systems and time scales significantly larger than first principle molecular dynamics simulations. The deep potential (DP) model, an end-to-end deep neural network representation of a potential energy surface, allows reliable investigations of dynamical properties of deep eutectic solvents based on choline chloride and urea. Equivariant atomic representations reduce the computational cost since less expensive quantum chemistry data is needed to train the model. However, large system sizes are needed to obtain activity coefficients from molecular dynamics (MD) simulations.