High-throughput Computational Screening With Chemical Heuristics, Workflows, and Machine Learning

  • Within my talk, I have introduced the audience to high-throughput materials discovery with the help of workflow tools, machine learning and chemical heuristics. I started with a general introduction to the Materials Project software infrastructure and databases such as the Materials Project and NOMAD. Then, I dived into machine learning tasks relying on chemical bonding information, machine-learned interatomic potentials, and experimental data. Target properties of the machine-learning tasks were thermal properties, phonons, magnetism and synthesizability.

Volltext Dateien herunterladen

  • Oxford_2025_September_final.pdf
    eng

Metadaten exportieren

Weitere Dienste

Suche bei Google Scholar Anzahl der Zugriffe auf dieses Dokument
Metadaten
Autor*innen:Janine GeorgeORCiD
Dokumenttyp:Vortrag
Veröffentlichungsform:Präsentation
Sprache:Englisch
Jahr der Erstveröffentlichung:2025
Organisationseinheit der BAM:6 Materialchemie
6 Materialchemie / 6.6 Digitale Materialchemie
DDC-Klassifikation:Technik, Medizin, angewandte Wissenschaften / Ingenieurwissenschaften / Ingenieurwissenschaften und zugeordnete Tätigkeiten
Freie Schlagwörter:High-throughput; Machine Learning; Magnetism; Materials Acceleration Platform; Materials Design; Sustainability; Synthesizability; Thermal Conductivity
Themenfelder/Aktivitätsfelder der BAM:Material
Material / Materialdesign
Veranstaltung:Seminar at the Inorganic Chemistry Laboratory in Oxford
Veranstaltungsort:Oxford, United Kingdom
Beginndatum der Veranstaltung:25.09.2025
Verfügbarkeit des Dokuments:Datei im Netzwerk der BAM verfügbar ("Closed Access")
Datum der Freischaltung:29.09.2025
Referierte Publikation:Nein
Eingeladener Vortrag (wissenschaftliche Konferenzen):Nein
Einverstanden
Diese Webseite verwendet technisch erforderliche Session-Cookies. Durch die weitere Nutzung der Webseite stimmen Sie diesem zu. Unsere Datenschutzerklärung finden Sie hier.