Computational Electronic Structure Theory

Organisaation profiili

Organisaatioprofiili

The Computational Electronic Structure Theory Group is developing electronic structure and machine learning methods and applies them to pertinent problems in material science, surface science, physics, chemistry and the nano sciences. The electronic structure gives us an atomistic view on matter that is important for many applications. Examples are materials for clean energy production, light-emitting devices (LEDs) or information and communication technologies (ICT). Perturbing the electronic structure, as done in spectroscopy, reveals more information about matter. We develop and use theoretical spectroscopy methods to probe the properties of molecules, molecules on surfaces, nanostructures, as well as semiconductors and their surfaces. We also investigate data as new resource in materials science. We participate in the development of a large scale materials database and study the potential of database driven materials science.

Verkko Viimeisin maatasolla toteutettu yhteistyö. Saat syvempiä lisätietoja pisteitä napsauttamalla.

Profiilit

Ei valokuvaa Marc Dvorak

Marc Dvorak

Henkilö: Tutkijatohtorit

20162019
Ei valokuvaa Lincan Fang

Lincan Fang

Henkilö: Tohtorikoulutettavat

20172017

Tutkimustuotos

Accurate Absolute and Relative Core-Level Binding Energies from GW

Golze, D., Keller, L. & Rinke, P., 5 maaliskuuta 2020, julkaisussa : Journal of Physical Chemistry Letters. 11, 5, s. 1840-1847 8 Sivumäärä

Tutkimustuotos: LehtiartikkeliArticleScientificvertaisarvioitu

  • 1 Sitaatiot (Scopus)

    Atomic structures and orbital energies of 61,489 crystal-forming organic molecules

    Stuke, A., Kunkel, C., Golze, D., Todorović, M., Margraf, J. T., Reuter, K., Rinke, P. & Oberhofer, H., 1 joulukuuta 2020, julkaisussa : Scientific Data. 7, 1, 11 Sivumäärä, 58.

    Tutkimustuotos: LehtiartikkeliArticleScientificvertaisarvioitu

    Open access
    Tiedosto
  • 1 Sitaatiot (Scopus)
    120 Lataukset (Pure)

    Charge Transfer into Organic Thin Films: A Deeper Insight through Machine-Learning-Assisted Structure Search

    Egger, A. T., Hörmann, L., Jeindl, A., Scherbela, M., Obersteiner, V., Todorović, M., Rinke, P. & Hofmann, O. T., 1 tammikuuta 2020, julkaisussa : Advanced Science. 2000992.

    Tutkimustuotos: LehtiartikkeliArticleScientificvertaisarvioitu

    Open access
  • Palkinnot

    2018 Boekman Dissertation Award

    Amber Geurts (Recipient), 2018

    Palkinto: Sijoittuminen kilpailussa tai osallistuminen kutsukilpailuun

    2018 ISPIM Dissertation Award

    Amber Geurts (Recipient), 2018

    Palkinto: Sijoittuminen kilpailussa tai osallistuminen kutsukilpailuun

    August-Wilhelm Scheer visiting professorship, Technical University Munich

    Patrick Rinke (Recipient), 2017

    Palkinto: Palkinto tai huomionosoitus urasta

    Aktiviteetit

    Jutta Rogal

    Patrick Rinke (Host)
    2 lokakuuta 20194 lokakuuta 2019

    Aktiviteetti: Hosting a visitor

    Scale bridging in materials science with machine learning

    Patrick Rinke (Kutsuttu puhuja)
    17 syyskuuta 2019

    Aktiviteetti: Konferenssiesitelmä

    Summit on Big Data and Cyberinfrastructure on Materials Research

    Patrick Rinke (Osallistuja)
    20 marraskuuta 201925 marraskuuta 2019

    Aktiviteetti: Participant of a conference, workshop, session or tutorial

    Lehtileikkeet

    Machine learning methods provide new insights into organic-inorganic interfaces

    Patrick Rinke

    04/08/2020

    3 kohdetta/ Medianäkyvyys

    Lehdistö/media: Esiintyminen mediassa

    Data sharing is the future of materials research

    Patrick Rinke

    16/11/2019

    1 kohde/ Medianäkyvyys

    Lehdistö/media: Esiintyminen mediassa

    Artificial intelligence ARTIST instantly captures materials' properties

    Patrick Rinke

    30/01/201905/02/2019

    6 kohdetta/ Medianäkyvyys

    Lehdistö/media: Esiintyminen mediassa