• español
  • English
  • français
  • Deutsch
  • português (Brasil)
  • italiano
    • español
    • English
    • français
    • Deutsch
    • português (Brasil)
    • italiano
    • español
    • English
    • français
    • Deutsch
    • português (Brasil)
    • italiano
    JavaScript is disabled for your browser. Some features of this site may not work without it.

    Navegar

    Todo o repositórioComunidadesPor data do documentoAutoresAssuntosTítulos

    Minha conta

    Entrar

    Estatística

    Ver as estatísticas de uso

    Compartir

    Ver item 
    •   Página inicial
    • PRODUÇÃO CIENTÍFICA
    • Departamentos
    • Dpto. Física Teórica, Atómica y Óptica
    • DEP33 - Artículos de revista
    • Ver item
    •   Página inicial
    • PRODUÇÃO CIENTÍFICA
    • Departamentos
    • Dpto. Física Teórica, Atómica y Óptica
    • DEP33 - Artículos de revista
    • Ver item
    • español
    • English
    • français
    • Deutsch
    • português (Brasil)
    • italiano

    Exportar

    RISMendeleyRefworksZotero
    • edm
    • marc
    • xoai
    • qdc
    • ore
    • ese
    • dim
    • uketd_dc
    • oai_dc
    • etdms
    • rdf
    • mods
    • mets
    • didl
    • premis

    Citas

    Por favor, use este identificador para citar o enlazar este ítem:https://uvadoc.uva.es/handle/10324/74706

    Título
    An Efficient Deep Learning Scheme To Predict the Electronic Structure of Materials and Molecules: The Example of Graphene-Derived Allotropes
    Autor
    Kuenneth, Christopher
    Tran, Huan Doan
    Ramprasad, Rampi
    González Del Rio, BeatrizAutoridad UVA Orcid
    Año del Documento
    2020
    Editorial
    American Chemical Society
    Descripción
    Producción Científica
    Documento Fuente
    Journal of Physical Chemistry A, 2020, vol.124, n. 45, p. 9496-9502
    Resumo
    El articulo presenta un enfoque innovador para predecir la estructura electrónica de materiales utilizando el aprendizaje profundo, específicamente para alótropos derivados del grafeno. El estudio introduce una arquitectura de red neuronal que aprende de cálculos previos de teoría funcional de la densidad (DFT) y predice la densidad de estados electrónicos con gran velocidad y precisión. Este modelo, entrenado con datos de diversas configuraciones atómicas de carbono, muestra un rendimiento significativamente más rápido que los métodos convencionales de DFT, abriendo nuevas posibilidades para investigaciones rápidas y precisas en la ciencia de materiales.
    ISSN
    1089-5639
    Revisión por pares
    SI
    DOI
    10.1021/acs.jpca.0c07458
    Patrocinador
    Este trabajo forma parte del proyecto de investigación: National Science Foundation under Award Number 1900017
    Version del Editor
    https://pubs.acs.org/doi/10.1021/acs.jpca.0c07458
    Idioma
    eng
    URI
    https://uvadoc.uva.es/handle/10324/74706
    Tipo de versión
    info:eu-repo/semantics/submittedVersion
    Derechos
    openAccess
    Aparece en las colecciones
    • DEP33 - Artículos de revista [199]
    Mostrar registro completo
    Arquivos deste item
    Nombre:
    NN_DOS manuscript.pdf
    Tamaño:
    4.916Mb
    Formato:
    Adobe PDF
    Thumbnail
    Visualizar/Abrir
    Attribution-NonCommercial-NoDerivatives 4.0 InternacionalExceto quando indicado o contrário, a licença deste item é descrito como Attribution-NonCommercial-NoDerivatives 4.0 Internacional

    Universidad de Valladolid

    Powered by MIT's. DSpace software, Version 5.10