Publication

Molecular quantum mechanical gradients within the polarizable embedding approach-Application to the internal vibrational Stark shift of acetophenone

Publications associées (32)

À propos
Confidentialité
Mentions légales

Graph Chatbot

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Connectez-vous pour utiliser Chat avec Graph Search

Molecular quantum mechanical gradients within the polarizable embedding approach-Application to the internal vibrational Stark shift of acetophenone

Graph Chatbot

Chattez avec Graph Search

Accurate molecular polarizabilities with coupled cluster theory and machine learning

Using Gaussian process regression to simulate the vibrational Raman spectra of molecular crystals

Building a Consistent and Reproducible Database for Adsorption Evaluation in Covalent-Organic Frameworks

Comparison of permutationally invariant polynomials, neural networks, and Gaussian approximation potentials in representing water interactions through many-body expansions

Improving Performance and Accuracy of Hybrid-Functional Based Molecular Dynamics in Plane Waves

Peptide-Cation Systems: Conformational Search, Benchmark Evaluation, and Force Field Parameter Adjustment Using Regularized Linear Regression

cemff: A force field database for cementitious materials including validations, applications and opportunities

Open-ended response theory with polarizable embedding: multiphoton absorption in biomolecular systems

Energetics and thermodynamics of α-iron from first-principles and machine-learning potentials

Accuracy of Protein Embedding Potentials: An Analysis in Terms of Electrostatic Potentials