Neuste Artikel für Dichtefunktionaltheorie

Forschung nutzt maschinelles Lernen, um schnell die Eigenschaften von organischen Salzkrystallen vorherzusagen.

Effiziente Wege der atomaren Bewegung in chemischen Prozessen entdecken.

Forschung hebt neue Methoden hervor, um die einzigartigen Eigenschaften von Vanadiumdioxid zu untersuchen.

Maschinenlernen verbessert die Genauigkeit bei der Vorhersage chemischer Eigenschaften mithilfe adaptiver hybrider Dichtefunktionale.

Forschung zeigt, wie Aluminium sich unter extremen Bedingungen verhält.

Die Rolle des Selbstkonsistenztrainings bei der Verbesserung der Hamiltonian-Vorhersage für molekulare Eigenschaften erkunden.

Forscher nutzen Simulationen und maschinelles Lernen, um neue Perowskit-Materialien zu identifizieren.

Maschinenlernen hilft dabei, Kristallstrukturen effizienter vorherzusagen als traditionelle Methoden.

Forscher haben neue Materialien für effizientes Kühlen in niedrigen Temperaturbereichen identifiziert.

Neue Erkenntnisse über ionische Flüssigkeiten durch maschinelles Lernen und fortgeschrittene Simulationen.

Die neuesten Fortschritte in der DFT erkunden, um Metalsimulationen unter verschiedenen Bedingungen zu verbessern.

Die Forschung zeigt, wie Materialoberflächen die Leistung von elektronischen Geräten beeinflussen.

Die Forschung untersucht Methoden, um die Vorhersagen von Elektron-Phonon-Wechselwirkungen in Materialien zu verbessern.

Ein Blick auf die nukleare DFT und ihre Anwendungen in der Physik.

Neue Datensätze und Machine-Learning-Techniken verbessern das Verständnis von Hochentropiematerialien.

Maschinelles Lernen verbessert die Vorhersagen von Bandlücken und sorgt für bessere Einblicke in die elektronischen Eigenschaften von Materialien.

Forschung zeigt neue Erkenntnisse zur Stabilität von Wolfram-Nanopartikeln in verschiedenen Umgebungen.

Ein Blick auf die quantenmechanischen Effekte auf die Materialeigenschaften im Ingenieurwesen.

Maschinelles Lernen beschleunigt die Entdeckung von Katalysatoren und verbessert die Reaktionsgemässigkeit.

Ein neuer Ansatz verbessert die Energieminimierung in molekularen Studien.

Neue Methoden verbessern Quantenberechnungen für komplexe chemische Systeme.

Dieser Artikel untersucht, wie Stapelmuster die Eigenschaften von Nitrit-MXenen beeinflussen.

Eine neue Methode verbessert die Geschwindigkeit und Genauigkeit bei der Vorhersage der Ladungsdichte.

Eine Studie zeigt strukturelle Unterschiede zwischen Fluticasonfuroat und -proprionat.

Eine neue Methode verbessert die Genauigkeit bei der Berechnung der Sublimationsenthalpien für molekulare Kristalle.

Erforschung der optimierten effektiven Potentialmethode für präzise Kraftberechnungen in Materialien.

Forscher nutzen maschinelles Lernen, um wichtige Hubbard-Parameter für Materialien vorherzusagen.

TbSbTe zeigt einzigartige Eigenschaften und magnetisches Verhalten und bietet Einblicke in nodale Linien-Semimetalle.

Untersuchung von Nickel-Fehlstellen und deren Einfluss auf zukünftige Technologien.

Forscher nutzen KI, um die Materialmodellierung mit einem neuen Deep-Learning-Ansatz zu verbessern.

Eine neue Schnittstelle verbessert Molekulardynamik-Simulationen unter realistischen Bedingungen.

NeuralSCF kombiniert Machine Learning mit DFT für eine effiziente Analyse der elektronischen Struktur.

Die Untersuchung des Zusammenhangs zwischen Chirality und NMR-Techniken in molekularen Studien.

Entdecke, wie Licht mit Materie durch fortgeschrittene Quantentheorien interagiert.

SCIGEN integriert strukturelle Einschränkungen, um stabile Quant materiali effizient zu generieren.

Ein Blick auf Skyrmionen und ihren Einfluss auf den topologischen Hall-Effekt.

Das SLEM-Modell verbessert die Genauigkeit und Effizienz bei der Vorhersage von Quantenoperatoren für Materialien.

Neue Methoden verbessern das Verständnis der elektronischen Eigenschaften in Materialien.

Erforschen, wie Moleküle im Weltraum die Entstehung von Planeten und Leben beeinflussen.

Die Forschung konzentriert sich auf sichere Alternativen zu Blei für Solarenergie.