LIBRISTO
LIBROAMANTO
υποχρεωτικό
Γίνετε μέλος μιας κοινότητας βιβλιόφιλων από όλο τον κόσμο και επωφεληθείτε από πολλά προνόμια. Δημιουργία δωρεάν λογαριασμού
0
Δωρεάν αποστολή με Box Now άνω των 69.99 €
DHL courier 10.49 € Σημείο Elta 4.49 € Elta 4.99 € ACS 5.49 € Box Now 4.49 € Σημείο ACS 4.49 €

Αγαπητοί μας πελάτες, Θα θέλαμε να σας ενημερώσουμε ότι, για τεχνικούς λόγους, η τηλεφωνική γραμμή εξυπηρέτησής μας είναι προσωρινά εκτός λειτουργίας. Σας ευχαριστούμε θερμά για την κατανόηση!

Machine Learning Potentials for Materials Discovery with Python

Surrogate Models, Active Learning, and High-Throughput Screening

Γλώσσα ΑγγλικήΑγγλική
Βιβλίο Χαρτόδετο
ΕΕκδοτικός οίκος Independently published, Νοέμβριος 2026
Reactive PublishingAccelerate atomic-scale simulations and navigate vast chemical spaces with machin... Πλήρης περιγραφή
? points 118 b Προετοιμαζουμε Προετοιμαζουμε Νέα Νέα
48.28 €
Η παράδοση δεν είναι εφικτή μέχρι τα Χριστούγεννα ▾ Αναμενόμενος εφοδιασμός σε αποθέματα Έκδοση 23. 11. 2026
Ελλάδα Παράδοση στην Ελλάδα

Έως 30 ημέρες για επιστροφή

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.

Ηθοποιός & Πολύγλωσση
EWA KASP για
Αναπαραγωγή βίντεο
Ewa Kasp
το Libristo διαθέτει τη μεγαλύτερη επιλογή ξενόγλωσσων βιβλίων. Γι' αυτό αγοράζω τα βιβλία μου εδώ.

Πληροφορίες για το βιβλίο

Πλήρες όνομα Machine Learning Potentials for Materials Discovery with Python
Συγγραφέας Livia Arden, Alice Schwartz
Γλώσσα Αγγλική
Βιβλιοδεσία Βιβλίο - Χαρτόδετο
Ημερομηνία έκδοσης 2026
Αριθμός σελίδων 558
EAN 9798143984899
Κωδικός Libristo 54579829
ΕΕκδοτικός οίκος Independently published
Βάρος 667
Διαστάσεις 152 x 229 x 35
Χαρίστε αυτό το βιβλίο σήμερα
Είναι εύκολο
1 Προσθέστε το βιβλίο στο καλάθι σας και επιλέξτε παράδοση ως δώρο 2 Ως ανταμοιβή θα σας στείλουμε ένα κουπόνι 3 Το βιβλίο θα φτάσει στη διεύθυνση του παραλήπτη

Είσοδος

Συνδεθείτε στο λογαριασμό σας Δεν έχετε ακόμη λογαριασμό στο Libristo; Δημιουργήστε τον τώρα!

 
υποχρεωτικό
υποχρεωτικό

Δεν έχετε λογαριασμό; Αποκτήστε τα οφέλη ενός λογαριασμού Libristo!

Με έναν λογαριασμό Libristo, θα έχετε τον απόλυτο έλεγχο.

Δημιουργία λογαριασμού Libristo
Σύμβουλος βιβλίων Libroamiko
Γεια σας, είμαι ο Libroamiko, μπορώ να βοηθήσω;