Aller au contenu
Universidad del Mar SIBUMAR Descubridor Institucional UMAR
  • Inicio
  • Búsqueda avanzada
  • Explorar
  • Connexion
    • English
    • Deutsch
    • Español
    • Français
    • Italiano
Recherche avancée
  • Open Catalyst Experiments 2024 (OCx24): Bridging Experiments and Computational Models
Image de couverture de livre

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

Fuente: arXiv
Enregistré dans:
Détails bibliographiques
Auteurs principaux: 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
Format: Preprint
Publié: 2024
Sujets:
Materials Science
Chemical Physics
Accès en ligne:
Acceder al recurso
Tags: Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
  • Citer
  • Envoyer par SMS
  • Envoyer par courriel
  • Imprimer
  • Exporter les notices
    • Exporter vers RefWorks
    • Exporter vers EndNoteWeb
    • Exporter vers EndNote
  • Ajouter aux favoris
  • Permalien
  • Exemplaires
  • Description
  • Commentaires
  • Documents similaires
  • Affichage MARC

Internet

https://arxiv.org/abs/2411.11783

Documents similaires

  • CatTSunami: Accelerating Transition State Energy Calculations with Pre-trained Graph Neural Networks
    par: Wander, Brook, et autres
    Publié: (2024)
  • Accessing Numerical Energy Hessians with Graph Neural Network Potentials and Their Application in Heterogeneous Catalysis
    par: Wander, Brook, et autres
    Publié: (2024)
  • UMA: A Family of Universal Models for Atoms
    par: Wood, Brandon M., et autres
    Publié: (2025)
  • From Molecules to Materials: Pre-training Large Generalizable Models for Atomic Property Prediction
    par: Shoghi, Nima, et autres
    Publié: (2023)
  • Reproducibility in Computational Materials Science: Lessons from 'A General-Purpose Machine Learning Framework for Predicting Properties of Inorganic Materials'
    par: Persaud, Daniel, et autres
    Publié: (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