Aller au contenu principal
2023 other

Characterizing Soft Matter Self‐Assembly and Material Properties with Advanced Molecular Dynamics and Data‐Driven Methods

1Citations signalées, ce qui n’est pas une note de qualité
1Institutions déclarées
1Pays d’affiliation déclarés

Rattachement africain : us. Niveau de preuve : code pays fourni par la source.

Le résumé fourni par la source

Sampling of potential energy surfaces (PES) lies at the core of soft matter self-assembly and material property characterization using molecular simulations. Yet, PES roughness and poor sampling efficiency must be overcome with advanced molecular dynamics (MD) techniques. We introduce the PES concept and detail the current PES-sampling progress using multiscale simulations, including methods in quantum mechanics, all-atomistic MD, and coarse-grained MD. Advanced techniques such as data-driven, machine-learned, and statistical-modeling methods are also introduced. We then focus on several enhanced sampling methods to accurately characterize the PES for probing the material properties of supramolecular soft matter. A variety of simulation software is also showcased to guide hands-on implementation. Finally, we summarize some recent characterization of soft material phenomena using MD methods with enhanced PES sampling. This chapter overviews methods for PES sampling and aims to stimulate broader accessibility of enhanced PES sampling of soft matter self-assembly and characterization.

Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.

Le contrôle bibliographique ouvert

DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.

Titre Crossref
Characterizing Soft Matter Self‐Assembly and Material Properties with Advanced Molecular Dynamics and Data‐Driven Methods
Date Crossref
21/04/2023
Éditeur
Wiley
Type
other

Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.

Où se fait cette recherche

  • Cornell University pays non établi dans la notice
    Université ou école supérieure

Cornell University.

Une affiliation ne permet pas de déduire la nationalité d’un auteur.

Les sujets associés

Machine Learning in Materials ScienceBlock Copolymer Self-AssemblyPhase Equilibria and Thermodynamics

BNTIC News n’est pas le producteur de ces données. Les publications sont interrogées à la demande dans Crossref, OpenAIRE, DOAJ, Europe PMC, HAL, DataCite, AfricArXiv, ROR et la Banque mondiale, sans clé d’accès. OpenAlex reste optionnel. Aucun service payant n’est nécessaire et aucune donnée externe n’est enregistrée en base. Consulter les sources et leurs limites.