首页> 外文OA文献 >An Initial Design-enhanced Deep Learning-based Optimization Framework to Parameterize Multicomponent ReaxFF Force Fields

【2h】

An Initial Design-enhanced Deep Learning-based Optimization Framework to Parameterize Multicomponent ReaxFF Force Fields

机译：一个初始设计增强的基于深度学习的优化框架，用于参数化多组分Reaxff强制字段

代理获取

本网站仅为用户提供外文OA文献查询和代理获取服务，本网站没有原文。下单后我们将采用程序或人工为您竭诚获取高质量的原文，但由于OA文献来源多样且变更频繁，仍可能出现获取不到、文献不完整或与标题不符等情况，如果获取不到我们将提供退款服务。请知悉。

页面导航

著录项
引文网络
相似文献
相关主题

著录项

作者
Mert Sengul; Yao Song; Nadire Nayir; Yawei Gao; Ying Hung; Tirthankar Dasgupta; Adri C.T. van Duin;
展开▼
作者单位

展开▼
年度 2020
总页数
原文格式 PDF
正文语种
中图分类

相似文献

外文文献
中文文献
专利

1. INDEEDopt: a deep learning-based ReaxFF parameterization framework [J] . Sengul Mert Y., Song Yao, Nayir Nadire, Npj Computational Materials . 2021,第1期

机译：IndeedOpt：基于深度学习的Reaxff参数化框架
2. Parameterizing Complex Reactive Force Fields Using Multiple Objective Evolutionary Strategies (MOES). Part 1: ReaxFF Models for Cyclotrimethylene Trinitramine (RDX) and 1,1-Diamino-2,2-dinitroethene (FOX-7) [J] . Larentzos James P., Rice Betsy M., Byrd Edward F. C., Journal of chemical theory and computation: JCTC . 2015,第2期

机译：使用多目标进化策略（MOES）对复杂的反作用力场进行参数化。第1部分：环三亚甲基三硝胺（RDX）和1,1-二氨基-2,2-二硝基乙烯（FOX-7）的ReaxFF模型
3. Parameterizing Complex Reactive Force Fields Using Multiple Objective Evolutionary Strategies (MOES): Part 2: Transferability of ReaxFF Models to C-H-N-O Energetic Materials [J] . Rice Betsy M., Larentzos James P., Byrd Edward F. C., Journal of chemical theory and computation: JCTC . 2015,第2期

机译：使用多目标进化策略（MOES）对复杂的反应力场进行参数化：第2部分：ReaxFF模型向C-H-N-O含能材料的转移性
4. A Deep Reinforcement Learning-based Application Framework for Conveyor Belt-based Pick-and-Place Systems using 6-axis Manipulators under Uncertainty and Real-time Constraints [C] . Tuyen P. Le, DongHyun Lee, DaeWoo Choi International Conference on Ubiquitous Robots . 2021

机译：在不确定度和实时约束下，使用6轴操纵器的基于传送带的拾取系统的一种深度加强基于电力的拾取系统的应用框架
5. Applications of Molecular Dynamics, Monte Carlo and Metadynamics Simulations Using ReaxFF Reactive Force Fields to Fluid/Solid Interfaces [D] . Raju, Muralikrishna. 2015

机译：利用Reaxff反应力田对流体/固体界面的分子动力学，蒙特卡罗和元动力学模拟的应用
6. Parameterization and optimization of the menthol force field for molecular dynamics simulations [O] . Mateusz Jasik, Borys Szefczyk -1

机译：薄荷醇力场的参数化和分子动力学模拟优化
7. INDEEDopt: a deep learning-based ReaxFF parameterization framework [O] . Mert Y. Sengul, Yao Song, Nadire Nayir, 2021

机译：Indeedopt：基于深度学习的Reaxff参数化框架

An Initial Design-enhanced Deep Learning-based Optimization Framework to Parameterize Multicomponent ReaxFF Force Fields

著录项

引文网络

相似文献

相关主题

期刊订阅