Con MATLAB y Simulink, puede capturar y procesar datos experimentales, tales como AFM, Cryo-EM, NMR y EPR. MATLAB permite generar y visualizar macrodatos simulados y crear modelos predictivos para estructuras y propiedades moleculares con Machine Learning y Deep Learning.
Con MATLAB y Simulink puede:
- Simular y ajustar diversos datos espectroscópicos aplicando técnicas numéricas y métodos de visualización
- Desarrollar modelos predictivos avanzados para predecir propiedades moleculares
- Desarrollar nuevos marcos teóricos para modelar sistemas químicos complejos y ofrecer soluciones analíticas y numéricas
- Enseñar habilidades de programación orientadas a la química en cursos de química de todos los niveles
Descubra cómo se utiliza MATLAB para la investigación y enseñanza de química
Flujo de trabajo de simulación de dinámica molecular Psi4-MATLAB
Puede utilizar Psi4 (un conjunto de código abierto de programas de química cuántica ab initio) con MATLAB a fin de desarrollar un flujo de trabajo automático de simulaciones de dinámica molecular (MD) para generación y procesamiento de datos. Este ejemplo de Psi4 comienza con una única estructura molecular como entrada, la rota alrededor de un enlace C-C, y calcula la energía molecular en el nivel teórico deseado. Luego, el resultado de los cálculos de Psi4 se procesa en MATLAB para extraer datos y crear un único archivo .mat a fin de realizar un análisis más profundo.
Documentación
Plegamiento de proteínas en estado fundamental usando eigensolver cuántico variacional
Con MATLAB, puede utilizar qubits para codificar un pliegue de proteínas en una malla de tetraedros en 3D. En este ejemplo de proteínas en estado fundamental, se halla el estado fundamental mediante una rutina de eigensolver cuántico variacional simulado. El circuito final de la simulación se ejecuta en una unidad de procesador cuántico real para realizar una comparación.
Clasificación de grupos funcionales usando redes de atención de grafos
MATLAB permite clasificar moléculas que tienen varios grupos funcionales empleando redes de atención de grafos (GAT). En este ejemplo de clasificación de grafos con múltiples etiquetas, se realiza el entrenamiento empleando el conjunto de datos QM7-X, una colección de grafos que representan 6950 moléculas. En esta demostración se utilizan los grupos funcionales CH, CH2, CH3, N, NH, NH2, NOH y OH.
Clasificación de átomos en moléculas usando redes convolucionales de grafos
Puede utilizar MATLAB para predecir los tipos de átomos de una molécula utilizando una red convolucional de grafos (GCN). Con este ejemplo de clasificación de nodos, puede aprender cómo entrenar una GCN con el conjunto de datos moleculares QM7, que consta de 7165 moléculas compuestas por hasta 23 átomos.
Productos
Obtenga más información sobre productos para aplicaciones químicas.
30 días de exploración a su alcance
Más información
