Cheng Group
Computergestützte Materialwissenschaft
Die Bausteine der Materie sind Elektronen und Atomkerne, deren Verhalten den Gesetzen der Quantenmechanik folgt. Durch Lösen der Schrödingergleichung kann man die Eigenschaften jedes Materials vorhersagen, einschließlich bestehender oder neuartiger Verbindungen, die noch nicht synthetisiert werden konnten. Allerdings gibt es einen Haken. Mit zunehmender Anzahl von Elektronen und Kernen wird die Gleichung selbst für die schnellsten Supercomputer schnell unlösbar. Tatsächlich sind atomistische Simulationen, die auf der Quantenmechanik basieren, für Systeme mit mehr als ein paar hundert Atomen oder für einen Zeitraum von mehr als einer Nanosekunde immer noch nicht berechenbar.
Die Cheng-Gruppe ist besonders daran interessiert, Methoden zu entwickeln, die den Umfang atomistischer Simulationen erweitern, um schwer zu simulierende Materialeigenschaften zu verstehen und vorherzusagen. Die Gruppe setzt eine Kombination von Methoden ein, die maschinelles Lernen, erweitertes Sampling, Pfadintegral-Molekulardynamik und Schätzung der freien Energie umfasst. Die untersuchten Systeme umfassen Energiematerialien, wässrige Systeme und Materie unter extremen Bedingungen.
Group Leader
Administrative Support
On this site:
Team
Laufende Projekte
Machine-learning-Potenziale für Funktionswerkstoffe | Transportphänomene auf der Mikroskala | Effizientes statistisches Lernen von Materialeigenschaften | Entwicklung komplexter Methoden für statistische Mechanik und atomistische Simulationen
Publikationen
Schmid R, Cheng B. 2023. Computing chemical potentials of adsorbed or confined fluids. The Journal of Chemical Physics. 158(16), 161101. View
Chen K, Kunkel C, Cheng B, Reuter K, Margraf JT. 2023. Physics-inspired machine learning of localized intensive properties. Chemical Science. View
French M, Bethkenhagen M, Ravasio A, Hernandez JA. 2023. Ab initio calculation of the reflectivity of molecular fluids under shock compression. Physical Review B. 107(13), 134109. View
Cheng B, Hamel S, Bethkenhagen M. 2023. Thermodynamics of diamond formation from hydrocarbon mixtures in planets. Nature Communications. 14, 1104. View
Poelking C, Faber FA, Cheng B. 2022. BenchML: An extensible pipelining framework for benchmarking representations of materials and molecules at scale. Machine Learning: Science and Technology. 3(4), 040501. View
ReX-Link: Bingqing Cheng
Karriere
Seit September 2021 Assistant Professor, Institute of Science and Technology Austria (ISTA)
2020 – 2021 Departmental Early Career Fellow, University of Cambridge, UK
2019 Junior Research Fellow, Trinity College, University of Cambridge, UK
2014 – 2019 Ph.D. in Materials Science, EPFL, Switzerland
Ausgewählte Auszeichnungen
2019 Trinity College Junior Research Fellowship
2019 Distinction Prize 8% for PhD thesis, the Doctoral School of EPFL
2018 Early Postdoc.Mobility Fellowship (Swiss National Science Foundation)
2014 Award for Outstanding Research Postgraduate Student, University of Hong Kong
