LIBRISTO
LIBROAMANTO
kötelező
Legyen része a világ minden tájáról összegyűlt könyvbarátok közösségének és élvezze a rengeteg előnyt. Ingyenes regisztráció
0
Ingyenes szállítás a FoxPost futárszolgálattal, 19 990 Ft feletti vásárlás esetén
DPD gyűjtőpont 1 170 Ft DPD futárszolgálat 1 370 Ft GLS pont 1 370 Ft Magyar Posta 1 975 Ft PostaPont / Csomagautomata 1 870 Ft Magyar Posta 1 870 Ft FoxPost 1 370 Ft Packeta 1 370 Ft GLS futár 1 870 Ft

Ingyenes szállítás 19 990 Ft feletti rendelés esetén – Packeta, Fox Post Box és DPD csomagpont átvétellel

Machine Learning Potentials for Materials Discovery with Python

Surrogate Models, Active Learning, and High-Throughput Screening

Nyelv AngolAngol
Könyv Puha kötésű
Könyv Machine Learning Potentials for Materials Discovery with Python Livia Arden
Libristo kód: 54579829
Kiadó Independently published, november 2026
Reactive PublishingAccelerate atomic-scale simulations and navigate vast chemical spaces with machin... Teljes leírás
? points 112 b Hamarosan Hamarosan Új Új
17 145 Ft
Nem kézbesítjük karácsonyig ▾ Várható készletfeltöltés Küldés 23. 11. 2026

Akár 30 napos visszaküldési lehetőség

Reactive Publishing

Accelerate atomic-scale simulations and navigate vast chemical spaces with machine learning.

Traditional density functional theory (DFT) calculations offer high quantum-mechanical accuracy for predicting material properties, but their computational cost restricts simulations to small systems and short timescales. Machine Learning Potentials for Materials Discovery with Python provides a practical, end-to-end engineering framework for bridging the gap between ab initio accuracy and large-scale molecular dynamics.

Written for computational materials scientists, physical chemists, and Python developers working in scientific computing, this guide walks through the design, validation, and deployment of interatomic potentials using modern open-source ecosystems.

Inside, you will learn how to:

  • Construct Surrogate Models: Transform atomic environments into rotationally and permutationally invariant descriptors, and train neural network and kernel-based potentials on DFT datasets.

  • Implement Active Learning Workflows: Automate the detection of high-uncertainty atomic configurations during simulations, iteratively querying reference calculations to expand training sets without manual curation.

  • Scale High-Throughput Screening: Integrate trained potentials into molecular dynamics and structure-relaxation pipelines to rapidly filter candidate crystals, alloys, and catalysts.

  • Validate Physical Fidelity: Benchmark energy and force predictions, verify phonon dispersions and elastic constants, and prevent unphysical extrapolation in out-of-distribution structures.

Grounded in reproducible Python workflows, this book equips researchers and practitioners with the tools required to replace brute-force quantum simulations with fast, reliable machine learning pipelines.

Színésznő & Poliglott
EWA KASP részére
A videó lejátszása
Ewa Kasp
A Libristo rendelkezik az idegennyelvű könyvek legnagyobb kínálatával. Ezért vásárolom a könyveket itt.

Információ a könyvről

Teljes megnevezés Machine Learning Potentials for Materials Discovery with Python
Nyelv Angol
Kötés Könyv - Puha kötésű
Kiadás éve 2026
Oldalszám 558
EAN 9798143984899
Libristo kód 54579829
Súly 667
Méretek 152 x 229 x 35
Ajándékozza oda ezt a könyvet még ma
Nagyon egyszerű
1 Tegye a kosárba könyvet, és válassza ki a kiszállítás ajándékként opciót 2 Rögtön küldjük Önnek az utalványt 3 A könyv megérkezik a megajándékozott címére

Belépés

Bejelentkezés a saját fiókba. Még nincs Libristo fiókja? Hozza létre most!

 
kötelező
kötelező

Nincs fiókja? Szerezze meg a Libristo fiók kedvezményeit!

A Libristo fióknak köszönhetően mindent a felügyelete alatt tarthat.

Libristo fiók létrehozása
Libroamiko könyvtanácsadó
Szia, Libroamiko vagyok, segíthetek?