Thermodynamics-consistent graph neural networks
Chemical Science · 2024 · 15 (44) · 18504-18512
DOI: 10.1039/d4sc04554h ↗Kurz gefasst
Fachartikel in der Zeitschrift Chemical Science, 2024. Verfasst von Jan G Rittig und 1 weiteren Autor:innen. Beteiligte Einrichtung: Process Systems Engineering (AVT.SVT), RWTH Aachen University Forckenbeckstraße 51 52074 Aachen Germany amitsos@alum.mit.edu. Die Arbeit wurde bisher 46-mal zitiert (Crossref) und nennt 37 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 3.0). Gefördert von: Deutsche Forschungsgemeinschaft, University of Wisconsin-Madison.
Abstract (Originalsprache)
We propose excess Gibbs free energy graph neural networks (GE-GNNs) for predicting composition-dependent activity coefficients of binary mixtures.
Autor:innen und Institutionen
- Process Systems Engineering (AVT.SVT), RWTH Aachen University Forckenbeckstraße 51 52074 Aachen Germany amitsos@alum.mit.edu.
- JARA-ENERGY Templergraben 55 52056 Aachen Germany.
- Institute of Climate and Energy Systems ICE-1: Energy Systems Engineering, Forschungszentrum Jülich GmbH Wilhelm-Johnen-Straße 52425 Jülich Germany.
ORCID-Profile: Jan G Rittig, Alexander Mitsos
Förderung
- Deutsche Forschungsgemeinschaft
- University of Wisconsin-Madison
Zitieren
APA
Rittig, J. G., & Mitsos, A. (2024). Thermodynamics-consistent graph neural networks. Chemical Science, 15(44), 18504-18512. https://doi.org/10.1039/d4sc04554h
Vancouver
Rittig JG, Mitsos A. Thermodynamics-consistent graph neural networks. Chemical Science. 2024;15(44):18504-18512. doi:10.1039/d4sc04554h
BibTeX
@article{Rittig2024,
author = {Rittig, Jan G and Mitsos, Alexander},
title = {Thermodynamics-consistent graph neural networks},
journal = {Chemical Science},
year = {2024},
volume = {15},
number = {44},
pages = {18504--18512},
doi = {10.1039/d4sc04554h}
}
EUVIMED