Molekulare Simulationen & Machine Learning
Image courtesy: Leif Seute, Eric Hartmann
Um die Komplexität responsiver biologischer oder synthetischer Systeme zu bewältigen, entwickeln wir computergestützte Techniken, die speziell auf non-equilibrium und skalenübergreifende Fragestellungen zugeschnitten sind. Diese Techniken umfassen Machine Learning (ML), um chemische Reaktivität in klassische Molecular Dynamics-Simulationen zu integrieren oder Kraftfelder zu verbessern.
Ein zentrales Ziel unserer Forschung ist die Entwicklung von ML-interatomaren Potentialen für biomolekulare und andere Soft Matter-Systeme. Unser zentrales Werkzeug sind atomistische Simulationen, und wir kombinieren sie mit coarse-graining oder verbinden unsere Modelle mit Kontinuumsmethoden, wo immer erforderlich.
Scientists @ MPIP & collaborators involved
Friederich, Pascal, KIT
Projects
- SIMPLAIX, Klaus Tschira Foundation
- ERC Consolidator grant Radicol
- GRK 2450 Tailored Scale-Bridging Approaches to Computational Nanoscience