• Treffer 1 von 15
Zurück zur Trefferliste

Automation of machine learning driven interatomic potential generation for predicting vibrational properties

  • Knowing phonon properties is beneficial for predicting low thermal conductivity thermoelectric materials. Employing DFT consumes lots of computational resources. Using ML-driven interatomic potentials (MLIP, e.g., GAP) opens up a faster route, but most potentials are specifically tailored to a certain compound. We aim to generalize the MLIP generation in a Python code-based workflow, combining automatic DFT runs with automated GAP fits. Automation enables easier tests, benchmarks, and validation.

Volltext Dateien herunterladen

  • SALSATalkErtural.pdf
    eng

Metadaten exportieren

Weitere Dienste

Teilen auf Twitter Suche bei Google Scholar Anzahl der Zugriffe auf dieses Dokument
Metadaten
Autor*innen:Christina ErturalORCiD
Koautor*innen:V. Deringer, Janine George
Dokumenttyp:Vortrag
Veröffentlichungsform:Präsentation
Sprache:Englisch
Jahr der Erstveröffentlichung:2023
Organisationseinheit der BAM:6 Materialchemie
6 Materialchemie / 6.0 Abteilungsleitung und andere
DDC-Klassifikation:Technik, Medizin, angewandte Wissenschaften / Ingenieurwissenschaften / Ingenieurwissenschaften und zugeordnete Tätigkeiten
Freie Schlagwörter:Automated workflows; Interatomic potentials; Machine learning; Phonons; Thermoelectrics
Themenfelder/Aktivitätsfelder der BAM:Material
Material / Materialdesign
Veranstaltung:SALSA Make and Measure Conference: Interfaces
Veranstaltungsort:Berlin, Germany
Beginndatum der Veranstaltung:13.09.2023
Enddatum der Veranstaltung:15.09.2023
Verfügbarkeit des Dokuments:Datei im Netzwerk der BAM verfügbar ("Closed Access")
Datum der Freischaltung:21.09.2023
Referierte Publikation:Nein
Eingeladener Vortrag:Nein
Einverstanden
Diese Webseite verwendet technisch erforderliche Session-Cookies. Durch die weitere Nutzung der Webseite stimmen Sie diesem zu. Unsere Datenschutzerklärung finden Sie hier.