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.
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
Zeng Z, Fan Z, Simoncelli M, Chen C, Liang T, Chen Y, Thornton G, Cheng B. 2025. Lattice distortion leads to glassy thermal transport in crystalline Cs3Bi2I6Cl3. Proceedings of the National Academy of Sciences of the United States of America. 122(41), e2415664122. View
King DS, Kim D, Zhong P, Cheng B. 2025. Machine learning of charges and long-range interactions from energies and forces. Nature Communications. 16, 8763. View
Zeng Z, Liang X, Fan Z, Chen Y, Simoncelli M, Cheng B. 2025. Thermal transport of amorphous hafnia across the glass transition. ACS Materials Letters., 2695–2701. View
Cheng B. 2025. Latent Ewald summation for machine learning of long-range interactions. npj Computational Materials. 11, 80. View
Wild R, Wodaczek F, Del Tatto V, Cheng B, Laio A. 2025. Automatic feature selection and weighting in molecular systems using Differentiable Information Imbalance. Nature Communications. 16, 270. View
ReX-Link: Bingqing Cheng
Karriere
Seit 2024 Gastprofessorin, Institute of Science and Technology Austria (ISTA), Assistant Professor, University of California, Berkeley, USA
2021 – 2024 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, Schweiz
Ausgewählte Auszeichnungen
2023 ERC Starting Grant
2022 JCP Best Paper by Emerging Investigator Award
2021 Volker Heine Young Investigator Award
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
