Modelling ligand exchange in metal complexes with machine learning potentials
Faraday Discussions · 2025 · 256 · 156-176
DOI: 10.1039/d4fd00140k ↗Kurz gefasst
Fachartikel in der Zeitschrift Faraday Discussions, 2025. Verfasst von Veronika Juraskova und 4 weiteren Autor:innen. Beteiligte Einrichtung: Chemistry Research Laboratory, University of Oxford, Oxford, OX1 3TA, UK. fernanda.duartegonzalez@chem.ox.ac.uk. Die Arbeit wurde bisher 15-mal zitiert (Crossref) und nennt 114 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 3.0). Gefördert von: Deutsche Forschungsgemeinschaft, Schweizerischer Nationalfonds zur Förderung der Wissenschaftlichen Forschung, Engineering and Physical Sciences Research Council.
Abstract (Originalsprache)
We introduce a strategy to train machine learning potentials using MACE, an equivariant message-passing neural network, for metal–ligand complexes in explicit solvents.
Autor:innen und Institutionen
- Chemistry Research Laboratory, University of Oxford, Oxford, OX1 3TA, UK. fernanda.duartegonzalez@chem.ox.ac.uk.
- Center for Theoretical Chemistry, Ruhr University Bochum, D-44780 Bochum, Germany. lars.schaefer@ruhr-uni-bochum.de.
Förderung
- Deutsche Forschungsgemeinschaft
- Schweizerischer Nationalfonds zur Förderung der Wissenschaftlichen Forschung
- Engineering and Physical Sciences Research Council
- University of Oxford
- University of Edinburgh
Zitieren
APA
Juraskova, V., Tusha, G., Zhang, H., Schäfer, L. V., & Duarte, F. (2025). Modelling ligand exchange in metal complexes with machine learning potentials. Faraday Discussions, 256, 156-176. https://doi.org/10.1039/d4fd00140k
Vancouver
Juraskova V, Tusha G, Zhang H, Schäfer LV, Duarte F. Modelling ligand exchange in metal complexes with machine learning potentials. Faraday Discussions. 2025;256:156-176. doi:10.1039/d4fd00140k
BibTeX
@article{Juraskova2025,
author = {Juraskova, Veronika and Tusha, Gers and Zhang, Hanwen and Schäfer, Lars V and Duarte, Fernanda},
title = {Modelling ligand exchange in metal complexes with machine learning potentials},
journal = {Faraday Discussions},
year = {2025},
volume = {256},
pages = {156--176},
doi = {10.1039/d4fd00140k}
}
EUVIMED