MATLAB und Simulink ermöglichen Ihnen die Erfassung und Verarbeitung von experimentellen Daten, wie beispielsweise AFM, Cryo-EM, NMR und EPR. Mit MATLAB können Sie simulierte Big Data generieren, visualisieren und mithilfe von Machine Learning und Deep Learning prädiktive Modelle für molekulare Strukturen und Eigenschaften erstellen.
MATLAB und Simulink ermöglichen Ihnen:
- Die Simulation und Anpassung verschiedener spektroskopischer Daten durch die Anwendung von numerischen Techniken und Visualisierungsmethoden
- Die Entwicklung komplexer prädiktiver Modelle für die Prognose molekularer Eigenschaften
- Die Entwicklung neuer theoretischer Frameworks zur Modellierung komplexer chemischer Systeme und zur Bereitstellung analytischer und numerischer Lösungen
- Die Lehre chemieorientierter Programmierkompetenzen in Chemiekursen auf sämtlichen Kenntnisstufen
So verwenden andere MATLAB für die chemische Forschung und Lehre
Psi4-MATLAB – Workflow für die Simulation der Molekulardynamik
Sie können Psi4 (eine Open-Source-Suite von Ab-initio-Quantenchemieprogrammen) mit MATLAB zur Erstellung eines automatisierten Workflows für die Simulation der Molekulardynamik (MD) für die Datengenerierung und -verarbeitung verwenden. Dieses Psi4-Beispiel beginnt mit einer einzelnen molekularen Struktur als Eingabe, dreht sie um eine C-C-Bindung und berechnet die molekulare Energie auf der gewünschten theoretischen Ebene. Die Ausgabe der Psi4-Berechnungen wird anschließend in MATLAB verarbeitet, um Daten daraus zu extrahieren und eine .mat-Datei für die weitere Analyse zu erstellen.
Dokumentation
Faltung von Proteinen im Grundzustand mithilfe eines variationalen Quanten-Eigensolvers
MATLAB ermöglicht Ihnen die Verwendung von Qubits zur Kodierung einer Proteinfaltung auf einem dreidimensionalen tetraedrischen Gitter. Anhand dieses Beispiels für ein Protein im Grundzustand wird der Grundzustand mittels einer simulierten variationalen Quanten-Eigensolver-Routine ermittelt. Der letzte Durchlauf aus der Simulation wird zum Vergleich auf einer echten Quantenprozessoreinheit ausgeführt.
Klassifizierung funktionaler Gruppen mithilfe von Graph Attention Networks
MATLAB ermöglicht Ihnen die Klassifizierung von Molekülen, die über mehrere funktionale Gruppen verfügen, mithilfe von Graph Attention Networks (GAT). In diesem Multilabel-Graphenklassifizierungsbeispiel wird das Training mithilfe des QM7-X-Datensatzes durchgeführt, einer Reihe von Graphen, die 6950 Moleküle repräsentieren. Diese Demonstration berücksichtigt die funktionalen Gruppen CH, CH2, CH3, N, NH, NH2, NOH und OH.
Klassifizierung von Atomen in Molekülen mithilfe eines Graph Convolutional Network
Mit MATLAB können Sie die verschiedenen Arten von Atomen in einem Molekül mithilfe eines Graph Convolutional Network (GCN) vorhersagen. Anhand dieses Beispiels für die Knotenklassifizierung erfahren Sie, wie Sie ein GCN mit dem QM7-Datensatz trainieren können, einem Molekül-Datensatz aus 7165 Molekülen, die aus bis zu 23 Atomen bestehen.
Produkte
Erfahren Sie mehr über die Produkte für chemische Anwendungen.
30-tägige kostenlose Testversion
Jetzt loslegen
