Saltar al contenido
Universidad del Mar SIBUMAR Descubridor Institucional UMAR
  • Inicio
  • Búsqueda avanzada
  • Explorar
  • Entrar
    • English
    • Deutsch
    • Español
    • Français
    • Italiano
Búsqueda avanzada
  • Open Catalyst Experiments 2024 (OCx24): Bridging Experiments and Computational Models
Imagen de Portada

Open Catalyst Experiments 2024 (OCx24): Bridging Experiments and Computational Models

Fuente: arXiv
Guardado en:
Detalles Bibliográficos
Autores principales: Abed, Jehad, Kim, Jiheon, Shuaibi, Muhammed, Wander, Brook, Duijf, Boris, Mahesh, Suhas, Lee, Hyeonseok, Gharakhanyan, Vahe, Hoogland, Sjoerd, Irtem, Erdem, Lan, Janice, Schouten, Niels, Vijayakumar, Anagha Usha, Hattrick-Simpers, Jason, Kitchin, John R., Ulissi, Zachary W., van Vugt, Aaike, Sargent, Edward H., Sinton, David, Zitnick, C. Lawrence
Formato: Preprint
Publicado: 2024
Materias:
Materials Science
Chemical Physics
Acceso en línea:
Acceder al recurso
Etiquetas: Agregar Etiqueta
Sin Etiquetas, Sea el primero en etiquetar este registro!
  • Citar
  • Describir
  • Enviar este por Correo electrónico
  • Imprimir
  • Exportar Registro
    • Exportar a RefWorks
    • Exportar a EndNoteWeb
    • Exportar a EndNote
  • Agregar a favoritos
  • Enlace Permanente
  • Existencias
  • Descripción
  • Comentarios
  • Ejemplares similares
  • Vista Equipo

Internet

https://arxiv.org/abs/2411.11783

Ejemplares similares

  • CatTSunami: Accelerating Transition State Energy Calculations with Pre-trained Graph Neural Networks
    por: Wander, Brook, et al.
    Publicado: (2024)
  • Accessing Numerical Energy Hessians with Graph Neural Network Potentials and Their Application in Heterogeneous Catalysis
    por: Wander, Brook, et al.
    Publicado: (2024)
  • UMA: A Family of Universal Models for Atoms
    por: Wood, Brandon M., et al.
    Publicado: (2025)
  • From Molecules to Materials: Pre-training Large Generalizable Models for Atomic Property Prediction
    por: Shoghi, Nima, et al.
    Publicado: (2023)
  • Reproducibility in Computational Materials Science: Lessons from 'A General-Purpose Machine Learning Framework for Predicting Properties of Inorganic Materials'
    por: Persaud, Daniel, et al.
    Publicado: (2023)
Universidad del Mar
Universidad del MarSistema Bibliotecario de la Universidad del MarDescubridor Institucional UMARImplementación y desarrollo: Mtro. Carlos Alonso Albores Pérez
InicioBúsqueda avanzadaExplorar
Visitas al Descubridor: 33,245© 2026 Universidad del Mar