BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//Vrije Universiteit Amsterdam//NONSGML v1.0//EN
NAME:Promotie D.D. Baum
METHOD:PUBLISH
BEGIN:VEVENT
DTSTART:20261116T114500
DTEND:20261116T131500
DTSTAMP:20261116T114500
UID:promotie-d-d-baum@8F96275E-9F55-4B3F-A143-836282E12573
CREATED:20261104T224323
LOCATION:Hoofdgebouw VU, 1105, Auditorium, De Boelelaan, 1081 HV, Amsterdam
SUMMARY:Promotie D.D. Baum
X-ALT-DESC;FMTTYPE=text/html: <html> <body> <p><p>Machine Learning for
  the Acceleration of Quantum Chemical Simulations</p></p> <h3>AI en M
 achine Learning kunnen quantumchemische simulaties versnellen, zelfs 
 met een beperkt budget.</h3><p><strong>'Voor veel toepassingen is het
  niet nodig om zeer grote en complexe AI-modellen te gebruiken. Mijn 
 onderzoek laat zien dat relatief eenvoudige modellen voor specifieke 
 kwantumchemische problemen al goede resultaten kunnen opleveren.</str
 ong></p><p>Mijn werk bevindt zich op het snijvlak van computationele 
 chemie, kwantumchemie en kunstmatige intelligentie. Met kwantumchemis
 che simulaties kunnen eigenschappen van moleculen worden onderzocht z
 onder dat voor iedere vraag direct een laboratoriumexperiment nodig i
 s. Zulke simulaties kunnen onderzoek ondersteunen, maar nauwkeurige b
 erekeningen vragen vaak veel rekentijd en computerkracht.</p><p>Daaro
 m richtte ik me op de vraag hoe kunstmatige intelligentie kan worden 
 gebruikt om bepaalde kwantumchemische berekeningen efficiënter uit t
 e voeren. Het doel was om resultaten van vergelijkbare kwaliteit te v
 erkrijgen met minder rekenwerk.</p><p>Mijn onderzoek laat zien dat de
  meest complexe AI-methode niet automatisch de beste keuze is. Welke 
 aanpak het meest geschikt is, hangt af van het probleem, de beschikba
 re data en de gewenste nauwkeurigheid. Voor sommige kwantumchemische 
 toepassingen kunnen eenvoudige modellen al voldoende zijn. Voor ander
 e toepassingen werkt een combinatie van kunstmatige intelligentie en 
 bestaande wetenschappelijke modellen beter.'</p><p>Meer informatie ov
 er het <a href="https://research.vu.nl/en/publications/machine-learni
 ng-for-the-acceleration-of-quantum-chemical-simulat/" data-new-window
 ="true" target="_blank" rel="noopener noreferrer">proefschrift</a></p
 > </body> </html>
DESCRIPTION: Machine Learning for the Acceleration of Quantum Chemical
  Simulations <h3>AI en Machine Learning kunnen quantumchemische simul
 aties versnellen, zelfs met een beperkt budget.</h3><strong>'Voor vee
 l toepassingen is het niet nodig om zeer grote en complexe AI-modelle
 n te gebruiken. Mijn onderzoek laat zien dat relatief eenvoudige mode
 llen voor specifieke kwantumchemische problemen al goede resultaten k
 unnen opleveren.</strong>Mijn werk bevindt zich op het snijvlak van c
 omputationele chemie, kwantumchemie en kunstmatige intelligentie. Met
  kwantumchemische simulaties kunnen eigenschappen van moleculen worde
 n onderzocht zonder dat voor iedere vraag direct een laboratoriumexpe
 riment nodig is. Zulke simulaties kunnen onderzoek ondersteunen, maar
  nauwkeurige berekeningen vragen vaak veel rekentijd en computerkrach
 t.Daarom richtte ik me op de vraag hoe kunstmatige intelligentie kan 
 worden gebruikt om bepaalde kwantumchemische berekeningen efficiënte
 r uit te voeren. Het doel was om resultaten van vergelijkbare kwalite
 it te verkrijgen met minder rekenwerk.Mijn onderzoek laat zien dat de
  meest complexe AI-methode niet automatisch de beste keuze is. Welke 
 aanpak het meest geschikt is, hangt af van het probleem, de beschikba
 re data en de gewenste nauwkeurigheid. Voor sommige kwantumchemische 
 toepassingen kunnen eenvoudige modellen al voldoende zijn. Voor ander
 e toepassingen werkt een combinatie van kunstmatige intelligentie en 
 bestaande wetenschappelijke modellen beter.'Meer informatie over het 
 <a href="https://research.vu.nl/en/publications/machine-learning-for-
 the-acceleration-of-quantum-chemical-simulat/" data-new-window="true"
  target="_blank" rel="noopener noreferrer">proefschrift</a>
END:VEVENT
END:VCALENDAR