Articoli più recenti per Teoria del Funzionale di Densità

La ricerca usa l'apprendimento automatico per prevedere rapidamente le proprietà dei cristalli di sale organico.

Scoprire percorsi efficienti di movimento atomico nei processi chimici.

La ricerca mette in evidenza nuovi metodi per studiare le proprietà uniche del diossido di vanadio.

Il machine learning migliora la precisione nella previsione delle proprietà chimiche usando funzionali di densità ibridi adattivi.

La ricerca fa luce sulle proprietà dell'alluminio in condizioni estreme.

Esplorare il ruolo dell'addestramento alla coerenza nel migliorare la previsione hamiltoniana per le proprietà molecolari.

I ricercatori usano simulazioni e machine learning per identificare nuovi materiali perovskite.

Il machine learning aiuta a prevedere le strutture cristalline in modo più efficiente rispetto ai metodi tradizionali.

I ricercatori hanno identificato nuovi materiali per un raffreddamento efficiente a basse temperature.

Nuove scoperte sui liquidi ionici grazie all'apprendimento automatico e simulazioni avanzate.

Esplorando i recenti sviluppi nella DFT per migliorare le simulazioni metalliche in diverse condizioni.

La ricerca mette in luce come le interfacce dei materiali influenzano le prestazioni dei dispositivi elettronici.

La ricerca esplora metodi per migliorare le previsioni delle interazioni elettrone-fonone nei materiali.

Uno sguardo alla DFT nucleare e alle sue applicazioni nella fisica.

Nuovi set di dati e tecniche di machine learning migliorano la comprensione dei materiali ad alta entropia.

Il machine learning migliora le previsioni dei band gap, aumentando le intuizioni sulle proprietà elettroniche dei materiali.

La ricerca svela nuove informazioni sulla stabilità delle nanoparticelle di tungsteno in diversi ambienti.

Uno sguardo agli effetti quantistici sulle proprietà dei materiali in ingegneria.

Il machine learning accelera la scoperta dei catalizzatori e migliora l'efficienza delle reazioni.

Un nuovo approccio migliora la minimizzazione dell'energia negli studi molecolari.

Nuovi metodi migliorano i calcoli quantistici per sistemi chimici complessi.

Questo articolo esamina come i modelli di impilamento influenzano le proprietà dei MXene nitrurati.

Un nuovo metodo migliora la velocità e l'accuratezza della previsione della densità di carica.

Uno studio rivela differenze strutturali tra fluticasone furoato e propionato.

Un nuovo metodo migliora l'accuratezza nel calcolo delle entalpie di sublimazione per i cristalli molecolari.

Esplorando il metodo del potenziale efficace ottimizzato per calcoli di forza precisi nei materiali.

I ricercatori usano il machine learning per prevedere i parametri Hubbard importanti per i materiali.

Il TbSbTe ha proprietà uniche e un comportamento magnetico, offrendo spunti sui semimetalli a linea nodale.

Esaminando i centri di vuoto di nichel e il loro impatto sulle tecnologie future.

I ricercatori usano l'IA per migliorare la modellazione dei materiali con un nuovo approccio di deep learning.

Una nuova interfaccia migliora le simulazioni di dinamica molecolare in condizioni realistiche.

NeuralSCF combina il machine learning con la DFT per un'analisi della struttura elettronica più efficiente.

Esplorare il legame tra chirali e tecniche NMR negli studi molecolari.

Scopri come la luce interagisce con la materia attraverso teorie quantistiche avanzate.

SCIGEN integra vincoli strutturali per generare in modo efficiente materiali quantistici stabili.

Uno sguardo agli skyrmioni e al loro impatto sull'effetto Hall topologico.

Il modello SLEM migliora l'accuratezza e l'efficienza nel prevedere operatori quantistici per i materiali.

Nuovi metodi migliorano la comprensione delle proprietà elettroniche nei materiali.

Esplorare come le molecole nello spazio influenzano la formazione dei pianeti e della vita.

La ricerca si concentra su alternative sicure al piombo per l'energia solare.