Jove
Visualize
Contáctanos

Videos de Conceptos Relacionados

Predicting Molecular Geometry02:27

Predicting Molecular Geometry

35.9K
VSEPR Theory for Determination of Electron Pair Geometries
35.9K
Atomic Orbitals02:44

Atomic Orbitals

34.8K
An atomic orbital represents the three-dimensional regions in an atom where an electron has the highest probability to reside. The radial distribution function indicates the total probability of finding an electron within the thin shell at a distance r from the nucleus. The atomic orbitals have distinct shapes which are determined by l, the angular momentum quantum number. The orbitals are often drawn with a boundary surface, enclosing densest regions of the cloud.
34.8K
Hybridization of Atomic Orbitals I03:24

Hybridization of Atomic Orbitals I

48.9K
The mathematical expression known as the wave function, ψ, contains information about each orbital and the wavelike properties of electrons in an isolated atom. When atoms are bound together in a molecule, the wave functions combine to produce new mathematical descriptions that have different shapes. This process of combining the wave functions for atomic orbitals is called hybridization and is mathematically accomplished by the linear combination of atomic orbitals. The new orbitals that...
48.9K
Hybridization of Atomic Orbitals II03:35

Hybridization of Atomic Orbitals II

33.7K
sp3d and sp3d 2 Hybridization
33.7K
Thermodynamic Potentials01:26

Thermodynamic Potentials

967
Thermodynamic potentials are state functions that are extremely useful in analyzing a thermodynamic system. They have dimensions of energy. The four important thermodynamic potentials are internal energy, enthalpy, Helmholtz free energy, and Gibbs free energy. These thermodynamic potentials can be expressed using two of the following variables: pressure, volume, temperature, and entropy. These two variables are expressed as the rate of change of the thermodynamic potential with respect to other...
967
Molecular Orbital Theory I02:35

Molecular Orbital Theory I

32.8K
Overview of Molecular Orbital Theory
32.8K

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

KIF18A inhibitor prevents chromosomally unstable osteosarcoma growth by activating spindle assembly checkpoint.

Cancer biology & therapy·2026
Same author

Assembly and comparison of organelle genomes for investigating the maternal inheritance in Peganum (Nitrariaceae).

BMC genomics·2026
Same author

Correction: A High-quality chromosome-level genome assembly of Swertia przewalskii Pissjauk.

Scientific data·2026
Same author

Charge regulation and orientation dictate protein uptake into polyelectrolyte brushes.

The Journal of chemical physics·2026
Same author

The complete chloroplast genome of <i>Dioscorea polystachya</i> 'Huilou' (Dioscoreaceae) and its phylogenetic analysis.

Mitochondrial DNA. Part B, Resources·2026
Same author

Universal primer-based RPA combined with parallel CRISPR/Cas12a decoding for rapid multi-species meat authentication.

Food chemistry·2026
Same journal

Interplay of Anisotropy, Dzyaloshinskii Moriya Interaction and Symmetry breaking Fields in a 2D XY Ferromagnet.

Journal of physics. Condensed matter : an Institute of Physics journal·2026
Same journal

Single-molecule electron transport near a charge-trapping orbital-level alignment.

Journal of physics. Condensed matter : an Institute of Physics journal·2026
Same journal

Δ<sub>T</sub>Noise as a Robust Diagnostic for Chiral, Helical and Trivial Edge Modes.

Journal of physics. Condensed matter : an Institute of Physics journal·2026
Same journal

A Quantum Framework for Negative Magnetoresistance in Multi-Weyl Semimetals.

Journal of physics. Condensed matter : an Institute of Physics journal·2026
Same journal

Magnetic anisotropy and electronic structure in surface-supported single rare-earth atom magnets: a topical review.

Journal of physics. Condensed matter : an Institute of Physics journal·2026
Same journal

Modeling thermal transport in AlN/GaN superlattices and heterostructures with machine-learned force fields.

Journal of physics. Condensed matter : an Institute of Physics journal·2026
Ver todos los artículos relacionados
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Video Experimental Relacionado

Updated: Sep 9, 2025

Computation of Atmospheric Concentrations of Molecular Clusters from ab initio Thermochemistry
12:11

Computation of Atmospheric Concentrations of Molecular Clusters from ab initio Thermochemistry

Published on: April 8, 2020

8.3K

MLIPX: Exploración del potencial interatómico aprendido por máquina

Fabian Zills1, Sheena Agarwal2, Tiago Goncalves3

  • 1University of Stuttgart, Institute for Computational Physics, University of Stuttgart, 70569 Stuttgart, Germany, Stuttgart, 70569, GERMANY.

Journal of physics. Condensed matter : an Institute of Physics journal
|August 29, 2025
PubMed
Resumen
Este resumen es generado por máquina.

La elección del potencial interatómico aprendido por máquina (MLIP) correcto es crucial para simulaciones confiables. El ecosistema MLIPX ayuda a los usuarios a seleccionar y evaluar MLIP para aplicaciones específicas, garantizando predicciones precisas y reduciendo los gastos generales de configuración.

Palabras clave:
Cantidad totalSe incluyen los siguientes elementos:Se incluyen los siguientes elementos:Aprendizaje automáticoEl dibujo ZnDrawel potencial interatómicomarco de pruebas

Más Videos Relacionados

Vibrational Spectra of a N719-Chromophore/Titania Interface from Empirical-Potential Molecular-Dynamics Simulation, Solvated by a Room Temperature Ionic Liquid
08:54

Vibrational Spectra of a N719-Chromophore/Titania Interface from Empirical-Potential Molecular-Dynamics Simulation, Solvated by a Room Temperature Ionic Liquid

Published on: January 25, 2020

5.7K
Author Spotlight: A Computational Approach to Decipher Amino Acid Preferences in Multispecific Protein-Protein Interactions
06:50

Author Spotlight: A Computational Approach to Decipher Amino Acid Preferences in Multispecific Protein-Protein Interactions

Published on: January 26, 2024

2.0K

Videos de Experimentos Relacionados

Last Updated: Sep 9, 2025

Computation of Atmospheric Concentrations of Molecular Clusters from ab initio Thermochemistry
12:11

Computation of Atmospheric Concentrations of Molecular Clusters from ab initio Thermochemistry

Published on: April 8, 2020

8.3K
Vibrational Spectra of a N719-Chromophore/Titania Interface from Empirical-Potential Molecular-Dynamics Simulation, Solvated by a Room Temperature Ionic Liquid
08:54

Vibrational Spectra of a N719-Chromophore/Titania Interface from Empirical-Potential Molecular-Dynamics Simulation, Solvated by a Room Temperature Ionic Liquid

Published on: January 25, 2020

5.7K
Author Spotlight: A Computational Approach to Decipher Amino Acid Preferences in Multispecific Protein-Protein Interactions
06:50

Author Spotlight: A Computational Approach to Decipher Amino Acid Preferences in Multispecific Protein-Protein Interactions

Published on: January 26, 2024

2.0K

Área de la Ciencia:

  • Ciencias de los materiales computacionales
  • Aprendizaje automático en física
  • Desarrollo de software científico

Sus antecedentes:

  • Los potenciales interatómicos de aprendizaje automático (MLIP) y los MLIP universales (uMLIP) están avanzando rápidamente, expandiendo su uso en simulaciones científicas.
  • Los puntos de referencia actuales de la comunidad y las tablas de clasificación ofrecen información sobre el progreso, pero pueden dar lugar a predicciones poco fiables si se ignoran las limitaciones de MLIP.
  • La selección del MLIP óptimo para una aplicación específica a menudo requiere ajuste fino o aprendizaje activo, aumentando el esfuerzo del usuario.

Objetivo del estudio:

  • Abordar el desafío de seleccionar el MLIP más adecuado para diversas aplicaciones científicas.
  • Desarrollar un marco centrado en el usuario (MLIPX) para evaluar y reevaluar los MLIP a medida que surjan nuevos modelos.
  • Para reducir la sobrecarga computacional y analítica asociada con el uso de múltiples MLIP.

Principales métodos:

  • Introducción del ecosistema MLIPX, un marco que incluye recetas de simulación reutilizables y versiones automatizadas de datos.
  • Integración de herramientas de visualización comparativa, incluida la interfaz web de ZnDraw, para analizar el rendimiento de MLIP.
  • Establecimiento del centro MLIPX para fomentar la contribución de la comunidad al desarrollo de nuevos casos de prueba y evaluaciones de MLIP.

Principales resultados:

  • Demostración de la utilidad de MLIPX a través de ejemplos de casos de aplicación que comparan los principales MLIP universales.
  • MLIPX permite a los usuarios crear y compartir conjuntos de pruebas específicos de la aplicación con herramientas de comparación interactivas.
  • El marco proporciona un enfoque sistemático, reproducible y reutilizable para la evaluación de MLIP.

Conclusiones:

  • MLIPX ofrece una solución integral para la evaluación efectiva de potenciales interatómicos aprendidos por máquina.
  • El ecosistema reduce significativamente la barrera para que los usuarios seleccionen y apliquen con confianza los MLIP a su investigación.
  • MLIPX fomenta la colaboración comunitaria, impulsando la mejora y el desarrollo continuos de MLIP y sus aplicaciones.