Login
- Original title:
- Tailoring Complexity for Catalyst Discovery Using Physically Motivated Machine Learning
- Translated title:
- Entdeckung neuartiger Katalysatormaterialien durch physikalisch motiviertes maschinelles Lernen maßgeschneideter Komplexität
- Author:
- Xu, Wenbin
- Year:
- 2022
- Document type:
- Dissertation
- Faculty/School:
- TUM School of Natural Sciences
- Advisor:
- Reuter, Karsten (Prof. Dr.)
- Referee:
- Reuter, Karsten (Prof. Dr.); Heiz, Ulrich K. (Prof. Dr.); Hofmann, Oliver T. (Prof. Dr.)
- Language:
- en
- Subject group:
- CHE Chemie
- TUM classification:
- CHE 150
- Abstract:
- High-performing heterogeneous catalysts are key to a greener chemical industry and future sustainability. In-silico catalyst screening and discovery provide efficient and cost-effective solutions for finding suitable catalysts. In this publication-based thesis, we seek to develop physics-motivated machine learning models to address the complexity of materials and adsorbates for screening heterogeneous catalysts.
- Translated abstract:
- Leistungsstarke heterogene Katalysatoren sind der Schlüssel zu einer umweltfreundlicheren chemischen Industrie und zu künftiger Nachhaltigkeit. Dabei bietet ein in-silico Katalysatoren Screening eine effiziente und kostengünstige Lösung für die Suche nach geeigneten Katalysatoren. Diese publikationsbasierte Dissertation befasst sich daher mit der Entwicklung von physikalisch motivierten Modellen des maschinellen Lernens, welche die Komplexität von Materialien und Adsorbaten für das Screening het... »
- WWW:
- https://mediatum.ub.tum.de/?id=1689045
- Date of submission:
- 11.10.2022
- Oral examination:
- 25.11.2022
- File size:
- 13474477 bytes
- Pages:
- 93
- Urn (citeable URL):
- https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20221125-1689045-1-4
- Last change:
- 09.12.2022
BibTeX