bei Google ScholarTitelangaben
Gönnheimer, Nils ; Reuter, Karsten ; Margraf, Johannes T.:
Beyond Numerical Hessians : Higher-Order Derivatives for Machine Learning Interatomic Potentials via Automatic Differentiation.
In: Journal of Chemical Theory and Computation.
Bd. 21
(2025)
Heft 9
.
- S. 4742-4752.
ISSN 1549-9626
DOI: https://doi.org/10.1021/acs.jctc.4c01790
Volltext
Link zum Volltext (externe URL): 
Weitere Angaben
| Publikationsform: | Artikel in einer Zeitschrift |
|---|---|
| Begutachteter Beitrag: | Ja |
| Zusätzliche Informationen: | PMID: 40275478 |
| Institutionen der Universität: | Fakultäten > Fakultät für Biologie, Chemie und Geowissenschaften > Fachgruppe Chemie > Lehrstuhl Physikalische Chemie V - Theorie und Maschinelles Lernen Fakultäten > Fakultät für Biologie, Chemie und Geowissenschaften > Fachgruppe Chemie > Lehrstuhl Physikalische Chemie V - Theorie und Maschinelles Lernen > Lehrstuhl Physikalische Chemie V - Theorie und Maschinelles Lernen - Univ.-Prof. Dr. Johannes Theo Margraf Forschungseinrichtungen > Zentrale wissenschaftliche Einrichtungen > Research Center for AI in Science and Society |
| Titel an der UBT entstanden: | Ja |
| Themengebiete aus DDC: | 500 Naturwissenschaften und Mathematik > 540 Chemie |
| Eingestellt am: | 10 Nov 2025 08:56 |
| Letzte Änderung: | 10 Nov 2025 08:56 |
| URI: | https://eref.uni-bayreuth.de/id/eprint/95158 |