メインナビゲーションにスキップ
検索にスキップ
メインコンテンツにスキップ
早稲田大学 ホーム
English
日本語
ホーム
プロファイル
研究部門
研究成果
専門知識、名前、または所属機関で検索
Scopus著者プロファイル
藤波 美起登
助教
Assistant Professor(without tenure) 助教
,
先進理工学部
ウェブサイト
https://w-rdb.waseda.jp/html/100002084_ja.html
92
被引用数
出典: Scopus
5
h-index
Pureの文献数とScopusの被引用数に基づいて算出されます
2018
2020
年別の研究成果
概要
フィンガープリント
ネットワーク
研究成果
(7)
類似のプロファイル
(6)
Pureに変更を加えた場合、すぐここに表示されます。
研究成果
年別の研究成果
2018
2018
2019
2020
2020
92
被引用数
5
h-index
6
Article
1
Comment/debate
年別の研究成果
年別の研究成果
7 件
出版年、タイトル
(降順)
出版年、タイトル
(昇順)
タイトル
タイプ
検索結果
2020
Orbital-free density functional theory calculation applying semi-local machine-learned kinetic energy density functional and kinetic potential
Fujinami, M.
,
Kageyama, R.
,
Seino, J.
,
Ikabata, Y.
&
Nakai, H.
,
2020 6月
,
In:
Chemical Physics Letters.
748
, 137358.
研究成果
:
Article
›
査読
Open Access
Kinetic Energy
100%
flux density
69%
kinetic energy
69%
density functional theory
66%
orbitals
61%
12
被引用数 (Scopus)
Quantum chemical reaction prediction method based on machine learning
Fujinami, M.
,
Seino, J.
&
Nakai, H.
,
2020
,
In:
Bulletin of the Chemical Society of Japan.
93
,
5
,
p. 685-693
9 p.
研究成果
:
Article
›
査読
Classifier
100%
Radical Reaction
20%
Molecular Orbital
16%
Molecular Structure
12%
Chemistry
10%
9
被引用数 (Scopus)
Solvent selection scheme using machine learning based on physicochemical description of solvent molecules: Application to cyclic organometallic reaction
Fujinami, M.
,
Maekawara, H.
,
Isshiki, R.
,
Seino, J.
,
Yamaguchi, J.
&
Nakai, H.
,
2020 7月
,
In:
Bulletin of the Chemical Society of Japan.
93
,
7
,
p. 841-845
5 p.
研究成果
:
Article
›
査読
Solvent
100%
Molecule
74%
Application
67%
Reaction Yield
14%
5
被引用数 (Scopus)
2019
Semi-local machine-learned kinetic energy density functional demonstrating smooth potential energy curves
Seino, J.
,
Kageyama, R.
,
Fujinami, M.
,
Ikabata, Y.
&
Nakai, H.
,
2019 11月
,
In:
Chemical Physics Letters.
734
, 136732.
研究成果
:
Article
›
査読
Open Access
Kinetic Energy
100%
Potential Energy
87%
potential energy
73%
flux density
69%
kinetic energy
69%
17
被引用数 (Scopus)
Virtual reaction condition optimization based on machine learning for a small number of experiments in high-dimensional continuous and discrete variables
Fujinami, M.
,
Seino, J.
,
Nukazawa, T.
,
Ishida, S.
,
Iwamoto, T.
&
Nakai, H.
,
2019
,
In:
Chemistry Letters.
48
,
8
,
p. 961-964
4 p.
研究成果
:
Article
›
査読
Simulation
100%
Reaction Yield
21%
8
被引用数 (Scopus)
2018
Erratum: Semi-local machine-learned kinetic energy density functional with third-order gradients of electron density (Journal of Chemical Physics (2018) 148 (241705) DOI: 10.1063/1.5007230)
Seino, J.
,
Kageyama, R.
,
Fujinami, M.
,
Ikabata, Y.
&
Nakai, H.
,
2018 8月 21
,
In:
Journal of Chemical Physics.
149
,
7
, 079901.
研究成果
:
Comment/debate
›
査読
Kinetic Energy
100%
Electron Density
78%
flux density
69%
kinetic energy
69%
Error
65%
Semi-local machine-learned kinetic energy density functional with third-order gradients of electron density
Seino, J.
,
Kageyama, R.
,
Fujinami, M.
,
Ikabata, Y.
&
Nakai, H.
,
2018 6月 28
,
In:
Journal of Chemical Physics.
148
,
24
, 241705.
研究成果
:
Article
›
査読
Kinetic Energy
100%
Electron Density
78%
flux density
69%
kinetic energy
69%
machine learning
66%
41
被引用数 (Scopus)