Výsledky vyhledávání - Duan, Chenru

  • Zobrazuji výsledky 1 - 7 z 7
Upřesnit hledání
  1. 1
    New Strategies for Direct Methane-to-Methanol Conversion from Active Learning Exploration of 16 Million Catalysts

    New Strategies for Direct Methane-to-Methanol Conversion from Active Learning Exploration of 16 Million Catalysts Autor Nandy, Aditya, Duan, Chenru, Goffinet, Conrad, Kulik, Heather J.

    Vydáno 2022
    Získat plný text Získat plný text Získat plný text
    Text
    Přidat do oblíbených
    Uloženo v:
  2. 2
    Accurate Multiobjective Design in a Space of Millions of Transition Metal Complexes with Neural-Network-Driven Efficient Global Optimization

    Accurate Multiobjective Design in a Space of Millions of Transition Metal Complexes with Neural-Network-Driven Efficient Global Optimization Autor Janet, Jon Paul, Ramesh, Sahasrajit, Duan, Chenru, Kulik, Heather J.

    Vydáno 2020
    Získat plný text Získat plný text Získat plný text
    Text
    Přidat do oblíbených
    Uloženo v:
  3. 3
    Detection of multi-reference character imbalances enables a transfer learning approach for virtual high throughput screening with coupled cluster accuracy at DFT cost

    Detection of multi-reference character imbalances enables a transfer learning approach for virtual high throughput screening with coupled cluster accuracy at DFT cost Autor Duan, Chenru, Chu, Daniel B. K., Nandy, Aditya, Kulik, Heather J.

    Vydáno 2022
    Získat plný text Získat plný text Získat plný text
    Text
    Přidat do oblíbených
    Uloženo v:
  4. 4
    A quantitative uncertainty metric controls error in neural network-driven chemical discovery

    A quantitative uncertainty metric controls error in neural network-driven chemical discovery Autor Janet, Jon Paul, Duan, Chenru, Yang, Tzuhsiung, Nandy, Aditya, Kulik, Heather J.

    Vydáno 2019
    Získat plný text Získat plný text Získat plný text
    Text
    Přidat do oblíbených
    Uloženo v:
  5. 5
    Machine learning to tame divergent density functional approximations: a new path to consensus materials design principles

    Machine learning to tame divergent density functional approximations: a new path to consensus materials design principles Autor Duan, Chenru, Chen, Shuxin, Taylor, Michael G., Liu, Fang, Kulik, Heather J.

    Vydáno 2021
    Získat plný text Získat plný text Získat plný text
    Text
    Přidat do oblíbených
    Uloženo v:
  6. 6
    MOFSimplify, machine learning models with extracted stability data of three thousand metal–organic frameworks

    MOFSimplify, machine learning models with extracted stability data of three thousand metal–organic frameworks Autor Nandy, Aditya, Terrones, Gianmarco, Arunachalam, Naveen, Duan, Chenru, Kastner, David W., Kulik, Heather J.

    Vydáno 2022
    Získat plný text Získat plný text Získat plný text
    Text
    Přidat do oblíbených
    Uloženo v:
  7. 7
    Seeing Is Believing: Experimental Spin States from Machine Learning Model Structure Predictions

    Seeing Is Believing: Experimental Spin States from Machine Learning Model Structure Predictions Autor Taylor, Michael G., Yang, Tzuhsiung, Lin, Sean, Nandy, Aditya, Janet, Jon Paul, Duan, Chenru, Kulik, Heather J.

    Vydáno 2020
    Získat plný text Získat plný text Získat plný text
    Text
    Přidat do oblíbených
    Uloženo v:

Vyhledávací nástroje: