Reliable and Efficient Automated Transition-State Searches with Machine-Learned Interatomic Potentials
Este estudio demuestra que los flujos de trabajo automatizados que combinan potenciales interatómicos aprendidos por máquina, especialmente MACE-OMol25, con algoritmos de búsqueda de rutas de reacción logran una precisión cercana a la de la teoría del funcional de la densidad (DFT) con una reducción de costos computacionales de hasta un 96%, facilitando así el descubrimiento de alto rendimiento de catalizadores y materiales.