Reliable and Efficient Automated Transition-State Searches with Machine-Learned Interatomic Potentials
Dit onderzoek toont aan dat workflows die machine-learned interatomische potentialen combineren met reactiepad-algoritmen, zoektochten naar overgangstoestanden voor katalysatorontdekking met bijna DFT-nauwkeurigheid mogelijk maken bij een aanzienlijk lagere rekenkosten door het gebruik van modellen zoals MACE-OMol25 en UMA-Medium.