HUZIEL ENOC SAUCEDA FELIX



DATOS GENERALES
Nombre completo   HUZIEL ENOC SAUCEDA FELIX
Máximo nivel de estudios   DOCTORADO
Antigüedad académica en la UNAM   3 años
NOMBRAMIENTOS
Vigente   INVESTIGADOR ASOCIADO C TC No Definitivo
Instituto de Física
Desde 01-12-2022
INVESTIGADOR ASOCIADO C TC No Definitivo
Dirección General de Asuntos del Personal Académico
Desde 16-01-2022 hasta 30-11-2022
ESTIMULOS, PROGRAMAS, PREMIOS Y RECONOCIMIENTOS
* SNI IIVIGENTE
* SNI I2022 - 2024
* EQUIVALENCIA PRIDE B2022 - 2024
INFORMACIÓN DE PUBLICACIONES
Firmas  
Sauceda H. Sauceda H.E. Sauceda, Huziel E.
ID's SCOPUS  
55509212900
Áreas de conocimiento  
Computer science, interdisciplinary applications Chemistry, multidisciplinary Multidisciplinary sciences Physics, atomic, molecular and chemical Physics, mathematical
Chemistry (miscellaneous) Hardware and architecture Medicine (miscellaneous) Multidisciplinary Physical and theoretical chemistry
Physics and astronomy (miscellaneous) Software
Coautorías con entidades de la UNAM  
  • Instituto de Física
  • Facultad de Ciencias
  • Dirección General de Asuntos del Personal Académico
 Revistas en las que ha publicado  (8):
  1. COMPUTER PHYSICS COMMUNICATIONS, Países Bajos (2019)
  2. CHEMICAL REVIEWS, Estados Unidos America (2021)
  3. EOS ANNUAL MEETING, EOSAM 2024, Francia (2024)
  4. JOURNAL OF CHEMICAL PHYSICS, Estados Unidos America (2018, 2019, 2020)
  5. Lecture Notes in Physics, Alemania (2020)
  6. Machine Learning-Science And Technology, (2022)
  7. NATURE COMMUNICATIONS, Reino Unido (2018, 2021, 2022, 2024)
  8. Science Advances, Estados Unidos America (2023)


Descargar PDF

Documentos indexados (WoS y Scopus)

# Título del documento Autores Año Revista Fuente Citas WoS Citas Scopus
1Intercavity polariton slows down dynamics in strongly coupled cavitiesCoautor: Sauceda H.E., García Jomaso Y.A., Vargas B., Domínguez D.L., et al.2024NATURE COMMUNICATIONSWoS-id: 001198930500031
Scopus-id: 2-s2.0-85189616868
22
2Remote control of excitonic materials using coupled optical cavitiesCoautor: Sauceda H., Pirruccio G., Jomaso Y.G., Vargas B., et al.2024EOS ANNUAL MEETING, EOSAM 2024WoS-id: 001353751800113
Scopus-id: 2-s2.0-85212512281
00
3Accurate global machine learning force fields for molecules with hundreds of atomsCoautor: Sauceda, Huziel E., Chmiela, Stefan, Vassilev-Galindo, Valentin, Unke, Oliver T., et al.2023Science AdvancesWoS-id: 000911464300045
Scopus-id: 2-s2.0-85146140799
9498
4High-fidelity molecular dynamics trajectory reconstruction with bi-directional neural networksCoautor y autor de correspondencia: Sauceda, Huziel E., Winkler, Ludwig, Mueller, Klaus-Robert2022Machine Learning-Science And TechnologyWoS-id: 000802740000001
Scopus-id: 2-s2.0-85131679246
99
5BIGDML?Towards accurate quantum machine learning force fields for materials1ᵉʳ autor: Sauceda, Huziel E., Galvez-Gonzalez, Luis E., Chmiela, Stefan, Paz-Borbón L.O., et al.2022NATURE COMMUNICATIONSWoS-id: 000830675000008
Scopus-id: 2-s2.0-85133016527
5049
6Machine Learning Force FieldsCoautor: Sauceda H.E., Unke O.T., Chmiela S., Gastegger M., et al.2021CHEMICAL REVIEWSWoS-id: 000691784200010
Scopus-id: 2-s2.0-85102968338
878921
7SpookyNet: Learning force fields with electronic degrees of freedom and nonlocal effectsCoautor: Sauceda H.E., Unke O.T., Chmiela S., Gastegger M., et al.2021NATURE COMMUNICATIONSWoS-id: 000730391400003
Scopus-id: 2-s2.0-85121316968
199210
8Molecular force fields with gradient-domain machine learning (GDML): Comparison and synergies with classical force fields1ᵉʳ autor: Sauceda H.E., Gastegger M., Chmiela S., Müller K.-R., et al.2020JOURNAL OF CHEMICAL PHYSICSWoS-id: 000576382700002
Scopus-id: 2-s2.0-85092055441
3129
9Accurate Molecular Dynamics Enabled by Efficient Physically Constrained Machine Learning Approaches2ᵒ autor: Sauceda H.E., Chmiela S., Tkatchenko A., Müller K.-R.2020Lecture Notes in PhysicsWoS-id: 000999317000009
Scopus-id: 2-s2.0-85086092345
1016
10Construction of Machine Learned Force Fields with Quantum Chemical Accuracy: Applications and Chemical Insights1ᵉʳ autor: Sauceda H.E., Chmiela S., Poltavsky I., Müller K.-R., et al.2020Lecture Notes in PhysicsWoS-id: 000999317000018
Scopus-id: 2-s2.0-85086098504
68
11Molecular force fields with gradient-domain machine learning: Construction and application to dynamics of small molecules with coupled cluster forces1ᵉʳ autor: Sauceda H.E., Chmiela S., Poltavsky I., Müller K.-R., et al.2019JOURNAL OF CHEMICAL PHYSICSWoS-id: 000462014500006
Scopus-id: 2-s2.0-85063040498
102103
12sGDML: Constructing accurate and data efficient molecular force fields using machine learning2ᵒ autor: Sauceda H.E., Chmiela S., Poltavsky I., Müller K.-R., et al.2019COMPUTER PHYSICS COMMUNICATIONSWoS-id: 000474312900005
Scopus-id: 2-s2.0-85062624346
177186
13SchNet - A deep learning architecture for molecules and materials2ᵒ autor: Sauceda H.E., Schütt K.T., Kindermans P.-J., Tkatchenko A., et al.2018JOURNAL OF CHEMICAL PHYSICSWoS-id: 000437190300025
Scopus-id: 2-s2.0-85044731105
14411519
14Towards exact molecular dynamics simulations with machine-learned force fields2ᵒ autor: Sauceda H.E., Chmiela S., Müller K.-R., Tkatchenko A.2018NATURE COMMUNICATIONSWoS-id: 000445329000022
Scopus-id: 2-s2.0-85053868687
561588
Descargar PDF

Documentos no indexados (Humanindex)

# Título del documento ISSN Revista Año Fuente
Descargar PDF

No se encuentran registros en la base de datos de capítulos de libros (WoS y Scopus).

Descargar PDF

No se encuentran registros en la base de datos de obras con ISBN (Indautor).

Descargar PDF

Proyectos

# Nombre Participantes Convocatoria Fecha Inicio Fecha Fin
1Construcción de campos de fuerzas moleculares basados en machine learningHUZIEL ENOC SAUCEDA FELIX,
Recursos PAPIIT01-01-202331-12-2024
2Desarrollo de campos de fuerzas moleculares basados en inteligencia artificial y su aplicación en el diseño de ánodos y cátodos de baterías de litioHUZIEL ENOC SAUCEDA FELIX,
Recursos CONAHCyT23-08-202322-07-2025
Descargar PDF

No se encuentran registros en la base de datos de comités de tesis.

Descargar PDF

Docencia Impartida

# Entidad Nivel Asignatura Año Semestre Alumnos
1Instituto de Investigaciones en MaterialesMaestríaTEMAS SELECTOS DE MATERIALES ELECTRÓNICOS INTRODUCCIÓN AL MACHINE LEARNING Y REDES NEURONALES20242024-21
2Instituto de FísicaMaestríaSEMINARIO DE INVESTIGACIÓN I20242024-21
3Instituto de FísicaMaestríaTEMAS SELECTOS INTRODUCCIÓN AL MACHINE LEARNING Y REDES NEURONALES20242024-26
4Instituto de FísicaMaestríaTEMAS SELECTOS POTENCIALES INTERATÓMICOS BASADOS EN REDES NEURONALES20232024-13
5Facultad de QuímicaMaestríaTEMA SELECTO POTENCIALES INTERATÓMICOS BASADOS EN REDES NEURONALES20232024-15
6Facultad de CienciasLicenciaturaTEM.SELEC.DE FISICA COMPUTACIO. I20222023-125
7Facultad de CienciasLicenciaturaTEM.SELEC.DE FISICA COMPUTACIO. I20222022-264
Descargar PDF

No se encuentran registros en la base de datos de patentes.

Descargar PDF

No se encuentran registros en la base de datos de libros completos (Humanindex).

Descargar PDF

Capítulos de libros (Humanindex)

# Título del libro Título del capítulo ISBN Editorial Año Fuente