Alice Allen

Dr. Alice Allen trat Anfang 2025 als Gruppenleiterin dem Max-Planck-Institut für Polymerforschung bei. Sie absolvierte ihr Studium in Physik am Imperial College London und promovierte in Physik an der University of Cambridge. Anschließend war sie als wissenschaftliche Mitarbeiterin an der University of Cambridge und der University of Luxembourg tätig, bevor sie drei Jahre als Postdoktorandin im Los Alamos Laboratory verbrachte. Ihre Forschung konzentrierte sich auf die Entwicklung neuer „molecular Potentials“, einschließlich „machine-learned Potentials“.

Forschungsinteressen

Machine-Learning Modelle für Wechselwirkungen zwischen Atomen und Molekülen, bekannt als „Interatomic Potentials“, werden zunehmend für atomistische Simulationen eingesetzt. Es wurden bereits eine Vielzahl von Modellen entwickelt, um die in atomistischen Simulationen auftretenden Wechselwirkungen zu beschreiben. Diese Modelle können zur Simulation reaktiver Prozesse, Stoßphysik und Materialeigenschaften verwendet werden.

Unsere Forschungsgruppe widmet sich der Weiterentwicklung von Machine-Learning Methoden und Modellen, um molekulare Eigenschaften vorherzusagen und chemische Reaktionen präzise und effizient zu simulieren. Wir entwickeln Modelle, die ein breites Spektrum an Systemen abdecken, einschließlich reaktiver Prozesse und biologischer Moleküle.

Publikationen

Relevante Publikationen:

1. Allen, A. E. A.; Dusson, G.; Ortner, C.; Csányi, G.: Atomic permutationally invariant polynomials for fitting molecular force fields. Machine Learning: Science and Technology 2 (2), p. 025017 (2021)

2. Allen, A. E. A.; Tkatchenko, A.: Machine learning of material properties: Predictive and interpretable multilinear models. Science Advances 8 (18), p. eabm7185 (2022)

3. Matin, S.; Allen, A. E. A.; Smith, J.; Lubbers, N.; Jadrich, R. B.; Messerly, R.; Nebgen, B.; Li, Y. W.; Tretiak, S.; Barros, K.: Machine learning potentials with the iterative Boltzmann inversion: Training to experiment. Journal of Chemical Theory and Computation 20 (3), pp. 1274 - 1281 (2024)

4. Allen, A. E. A.; Csányi, G.: Toward transferable empirical valence bonds: Making classical force fields reactive. The Journal of Chemical Physics 160 (12), p. 124108 (2024)

5. Allen, A. E. A.; Lubbers, N.; Matin, S.; Smith, J.; Messerly, R.; Tretiak, S.; Barros, K.: Learning together: Towards foundation models for machine learning interatomic potentials with meta-learning. npj Computational Materials 10 (1), p. 154 (2024)

Aktuelle Publikationen am MPIP:

Keine passenden Publikationen gefunden.