Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.
Une nanoparticule est selon la norme ISO TS/27687 un nano-objet dont les trois dimensions sont à l'échelle nanométrique, c'est-à-dire une particule dont le diamètre nominal est inférieur à environ. D'autres définitions évoquent un assemblage d'atomes dont au moins une des dimensions se situe à l'échelle nanométrique (ce qui correspond au « nano-objet » tel que défini par la norme ISO précitée) ou insistent sur leurs propriétés nouvelles (dues au confinement quantique et à leur surface spécifique) qui n'apparaissent que pour des tailles de moins d'une centaine de nanomètres.
La dynamique moléculaire est une technique de simulation numérique permettant de modéliser l'évolution d'un système de particules au cours du temps. Elle est particulièrement utilisée en sciences des matériaux et pour l'étude des molécules organiques, des protéines, de la matière molle et des macromolécules. En pratique, la dynamique moléculaire consiste à simuler le mouvement d'un ensemble de quelques dizaines à quelques milliers de particules dans un certain environnement (température, pression, champ électromagnétique, conditions aux limites.
vignette|Intérieur du musée de la catalyse à Widnes en Angleterre. En chimie, la catalyse (du grec ancien : , « détacher ») se réfère à l'accélération ou la réorientation de la cinétique de réaction au moyen d'un catalyseur, et dans certains cas à la sélectivité pour diriger la réaction dans un sens privilégié (réaction concurrente, production d'un produit plutôt qu'un autre). Le catalyseur est utilisé en quantité beaucoup plus faible que les produits réactifs. Il n'apparait pas en général dans le bilan de réaction, donc pas dans son équation globale.
Atomic simulations using machine learning interatomic potential (MLIP) have gained a lot of popularity owing to their accuracy in comparison to conventional empirical potentials. However, the transfer
We mine from the literature experimental data on the CO2 electrochemical reduction selectivity of Cu single crystal surfaces. We then probe the accuracy of a machine learning model trained to predict