Prédire une géométrie moléculaire convergée par des modèles d’apprentissage automatique

Thomas Cauchy; Benoit da Mota

Communication Dans Un Congrès Année : 2018

Prédire une géométrie moléculaire convergée par des modèles d’apprentissage automatique

(1) , (2)

1
2

Thomas Cauchy

Fonction : Auteur
PersonId : 183495
IdHAL : thomas-cauchy
ORCID : 0000-0003-4259-3257
IdRef : 137559232

MOLTECH-Anjou

CV

Benoit da Mota

Fonction : Auteur
PersonId : 735485
IdHAL : benoit-da-mota
ORCID : 0000-0003-0807-8892

Laboratoire d'Etudes et de Recherche en Informatique d'Angers

Domaines

Chimie théorique et/ou physique Chemo-informatique Intelligence artificielle [cs.AI]

Thomas Cauchy : Connectez-vous pour contacter le contributeur

https://hal.science/hal-02889017

Soumis le : vendredi 3 juillet 2020-14:52:32

Dernière modification le : jeudi 11 avril 2024-13:08:14

Dates et versions

hal-02889017 , version 1 (03-07-2020)

Identifiants

HAL Id : hal-02889017 , version 1

Citer

Thomas Cauchy, Benoit da Mota. Prédire une géométrie moléculaire convergée par des modèles d’apprentissage automatique. Workshop « L’intelligence artificielle pour la chimie des matériaux », Sep 2018, Thiais, France. ⟨hal-02889017⟩

Exporter

BibTeX XML-TEI Dublin Core DC Terms EndNote DataCite

Collections

CNRS UNIV-ANGERS INC-CNRS LERIA MOLTECH-ANJOU

25 Consultations

0 Téléchargements

Prédire une géométrie moléculaire convergée par des modèles d’apprentissage automatique

Domaines

Dates et versions

Identifiants

Citer

Exporter

Collections

Partager