Benutzer: Gast  Login
Originaltitel:
Tailoring Complexity for Catalyst Discovery Using Physically Motivated Machine Learning
Übersetzter Titel:
Entdeckung neuartiger Katalysatormaterialien durch physikalisch motiviertes maschinelles Lernen maßgeschneideter Komplexität
Autor:
Xu, Wenbin
Jahr:
2022
Dokumenttyp:
Dissertation
Fakultät/School:
TUM School of Natural Sciences
Betreuer:
Reuter, Karsten (Prof. Dr.)
Gutachter:
Reuter, Karsten (Prof. Dr.); Heiz, Ulrich K. (Prof. Dr.); Hofmann, Oliver T. (Prof. Dr.)
Sprache:
en
Fachgebiet:
CHE Chemie
TU-Systematik:
CHE 150
Kurzfassung:
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.
Übersetzte Kurzfassung:
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
Eingereicht am:
11.10.2022
Mündliche Prüfung:
25.11.2022
Dateigröße:
13474477 bytes
Seiten:
93
Urn (Zitierfähige URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20221125-1689045-1-4
Letzte Änderung:
09.12.2022
 BibTeX