MétaCan
Menu
Retour à la cohorte
Enregistrement W2496758395 · doi:10.1002/9781119148739.ch3

Efficient Transition State Modeling Using Molecular Mechanics Force Fields for the Everyday Chemist

2016· other· en· W2496758395 sur OpenAlex
Joshua Pottel, Nicolas Moitessier

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueReviews in computational chemistry · 2016
Typeother
Langueen
DomaineChemistry
ThématiqueVarious Chemistry Research Topics
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésForce field (fiction)Maxima and minimaField (mathematics)Computer scienceState (computer science)SoftwareMolecular mechanicsProcess (computing)Molecular dynamicsStatistical physicsChemistryPhysicsComputational chemistryAlgorithmArtificial intelligenceMathematics

Résumé

récupéré en direct d'OpenAlex

In the field of synthesis, transition state (TS) modeling with molecular mechanics (MM) is very important but far less developed than the MM modeling of energy minima. This chapter provides an overview of current MM-derived techniques used in TS modeling, and discusses its theory, advantages, potential drawbacks, and availability of software packages. MM is usually taught in secondary and postsecondary education as a ball and spring model where atoms feel classical forces between them. The TS modeling approaches are classified into two general groups, namely ground state force field (GSFF) techniques and transition state force field (TSFF) techniques. To further advance the field of TS modeling using MM methods, the authors propose to integrate computational chemistry into organic synthesis laboratories as well as create an environment at the educational level where using software becomes routine and is not feared by those without expertise in the development process.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,865
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,040
Tête enseignante GPT0,328
Écart entre enseignants0,288 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle