Boris Kozinsky

機械学習と高度なシミュレーションを通じてイオン液体の新しい洞察。

機械学習がバンドギャップの予測を改善して、材料の電子特性の理解を深めてるよ。

新しい方法は、機械学習と粗視化を組み合わせて、より良い材料モデルを作るんだ。

新しい方法で、電荷密度の予測のスピードと精度が向上するよ。

研究者たちは、ストロンチウムチタン酸塩に焦点を当てて、材料の量子振る舞いをよりよくシミュレートするためにTD-SCHAを使っている。

SrTiO3の高速ダイナミクスを研究することで、THz放射下での新しい材料の振る舞いが明らかになる。