Channel
@compchem_and_novelmaterials
On this record: Topic · Growth · Engagement · Reactions · Posts · Citations · Cite this entry
369subscribers
-2 since we began measuring on 7 August 2026
Risers and fallers across the register · movement among entries of Under 1,000.
| Telegram ID | -1001878276459 |
|---|---|
| Type | Channel |
| Username | @compchem_and_novelmaterials |
| Created | 24 April 2023 — measured — cross-checked against a third-party dataset (ext.tg_channel) |
| First recorded | 8 August 2026 |
| Last confirmed live | 10 September 2026 |
| Measurements held | 4 |
| Confirmed unchanged | 1 time, most recently 10 September 2026 |
| On Telegram | t.me/compchem_and_novelmaterials |
Science — a classification, not a measurement. An on-box language model (Qwen3.6-35B-A3B-FP8, prompt version 1) read this channel’s own recent posts on 22 September 2026 and assigned it the closest of 31 fixed categories, at 84% confidence. This is a model’s judgement about what the channel is likely to be about, not a fact this register measured the way a subscriber count or a view count is measured — it can be revised on a later pass, and it carries no weight anywhere else on this page. How this classification works, and why it has no browse page of its own yet.
| Measured (UTC) | Subscribers | Change |
|---|---|---|
| 10 Sept 2026, 21:01 | 369 | -1 |
| 27 Aug 2026, 05:44 | 370 | -1 |
| 8 Aug 2026, 06:19 | 371 | no change |
| 7 Aug 2026, 14:55 | 371 | first reading |
20 posts held, back to 25 February 2025 — the reader has not yet reached the start of this channel’s public history, so older posts may sit further back, unread. Read across 1 page of Telegram’s post history, 20 posts per page.
Nothing published in the last 30 days. ERR and ER are rolling 30-day measures, so there is nothing to compute — we hold 20 posts for this entry, the most recent from 10 April 2025. An engagement rate over an empty window would be a number about nothing.
87 reactions across 20 posts, in 4 distinct kinds. The most used accounts for 51.7% of them.
| Reaction | Count | Share | Share, drawn |
|---|---|---|---|
| 👍 | 45 | 51.7% | |
| 🔥 | 39 | 44.8% | |
| 🤯 | 2 | 2.30% | |
| 🤔 | 1 | 1.15% |
No sentiment is inferred, and none should be read in. This table is ordered by count and by nothing else. Emoji do not carry stable meaning across languages or communities — 🙏 is thanks in one channel and mourning in another — so we publish which ones were pressed and how often, and pass no judgement on what an audience meant by them.
Precision. Telegram publishes reaction counts per emoji and short-forms each one — 4.34K, 1.2M — so any single kind at or above 1,000 reaches us at three significant figures, and only counts below 1,000 are exact. The shares above are ratios of those figures and carry the same error. This is also why the total here can differ slightly from a reaction total printed elsewhere on the page: both are sums of the same rounded parts, taken over samples with different edges.
Coverage. Reactions were read on 20 of the 20 sampled posts in this sample. Summed by Telegram’s own count on each post — not by adding up the per-emoji breakdown above — those same posts carry 87 reactions in total: the kind of figure the paragraph above means by “a reaction total printed elsewhere on the page”.
Measured over the 20 most recent posts we hold, published 25 February 2025 to 10 April 2025, using the newest reading held for each. Telegram Stars are excluded: they are a payment, not a reaction, and they have their own section.
Искусственный интеллект для точного химического анализа на наноуровне Исследователи из Швейцарской высшей технической школы Цюриха (EPFL) разработали метод PSNMF (pan-sharpening на основе неотрицательной матричной факторизации), улучшающий точность химического анализа наноматериалов. Метод сочетает данные энергодисперсионной рентгеновской спектроскопии (EDX) с машинным обучением для повышения соотношения сигнал/шум…
👍4
Шпаргалка по основным концепциям трансформеров и LLM от профессоров Стенфорда и MIT Максимально коротко и ёмко. Трансформеры: внутреннее внимание, архитектура, варианты, методы оптимизации LLM: промпты, файнтьюнинг, настройка предпочтений, методы оптимизации Приложения: LLM-как-судья, RAG-системы, агенты, модели рассуждений (ризонинг) #МОиИИ
👍4
Открыт тестовый доступ к платформе Access Engineering McGraw Hill — американская образовательная компания, предоставляющая образовательный контент, программное обеспечение и услуги для студентов и преподавателей различных уровней. Access Engineering содержит полнотекстовые цифровые издания ведущих учебников и справочников по инженерному делу (более 700 книг), в том числе Perry’s Chemical Engineers’ Handbook и др. …
👍2🔥2
Физические модели и машинное обучение для прогнозирования температур при аддитивном напылении алюминиевого сплава трением с перемешиванием Группа ученых из Италии, Индии, Турции и Саудовской Аравии разработала гибридную модель, сочетающую методы контролируемого МО и физически-информированных нейросетей (PINN) для предсказания распределения пиковых температур в процессе аддитивного трения и осаждения алюминиевых спла…
👍3
Practical Cheminformatics Tutorials https://github.com/PatWalters/practical_cheminformatics_tutorials
👍6
Глубокое обучение для прогноза свойств пористых материалов по микроструктуре Китайские ученые представили подход к предсказанию эффективных упругих свойств пористых материалов с использованием сверточных нейросетей и алгоритмов генерации микроструктур. Для получения обучающей выборки авторы сгенерировали случайные микроструктуры пористых материалов и рассчитали их механические свойства с помощью алгоритма квадродер…
👍2🔥1
THICK2D: машинное обучение и LLM для предсказания толщины 2D-материалов Исследователи из Университета Лихай (США) представили THICK2D — вычислительный инструмент на Python для быстрого и точного предсказания толщины двумерных (2D) материалов. В основе инструмента — методы МО и база данных толщин, сгенерированная при помощи LLM. THICK2D использует только кристаллографическую информацию, что позволяет предсказывать то…
👍3
Прогнозирование прочности бетона с RCA с использованием химически активированной золы и нано-SiO₂ на базе МО Исследователи из Пакистана и Саудовской Аравии оценили прочность и устойчивость бетона с переработанным заполнителем (RCA), модифицированного добавками — химически активированной летучей золой и нано-SiO₂. Целью было компенсировать недостатки RCA-бетона и повысить его эксплуатационные характеристики с помощью…
👍3
Введение в базовый рабочий процесс машинного обучения для прогнозирования свойств материалов Воркшоп от Бенжамина Аффлербаха, Университет Висконсин-Мэдисон, описывает базовый рабочий процесс машинного обучения, применяемый для прогнозирования ширины запрещенной зоны материалов по их химическому составу. Рассматриваются ключевые этапы: очистка данных, генерация и инженерия признаков, оценка модели, обучение, оптимиз…
🔥11
MDAgent: языковая модель для автоматизации MD-симуляций и расчета термодинамических параметров Ученые из Пекинского университета и Китайской академии наук разработали MDAgent — систему, использующую возможности больших языковых моделей (LLM) для автоматической генерации, выполнения и корректировки кода, необходимого для проведения молекулярно-динамических (MD) расчетов с целью определения термодинамических параметро…
🔥7
Вычисление ангармонических инфракрасных спектров полициклических ароматических углеводородов с использованием машинного обучения молекулярной динамики Китайские и австрийские исследователи провели вычисления ангармонических инфракрасных спектров полициклических ароматических углеводородов (ПАУ) с использованием молекулярной динамики на основе машинного обучения. ПАУ играют ключевую роль в формировании инфракрасных п…
👍1
QSARtuna: инструмент для автоматизированного моделирования свойств молекул Британские исследователи представили QSARtuna — Python-платформу для построения и оценки моделей машинного обучения, предназначенных для предсказания свойств малых молекул в рамках цикла DMTA (design–make–test–analyze). В отличие от большинства существующих решений, QSARtuna поддерживает оценку неопределенности, объяснимость моделей и автомат…
👍2
Showing the 12 most recent of 20 posts we hold for @compchem_and_novelmaterials. View and reaction counts are the latest single reading for each post, not a live figure, and a recent post is still accumulating both. A view count marked ≈ was rounded by Telegram before we ever saw it — t.me prints views in full below 1,000 and to three significant figures above, so ≈1,200,000 means somewhere between 1,150,000 and 1,249,999. Unmarked counts are exact. Text is reproduced from the public post preview and truncated for length.
Republishes
Channels on the register whose posts this channel has forwarded.
Built only from forwarded posts we have actually read, on both sides. Coverage is early and deliberately incomplete: a missing link means we have not read the post that would prove it, never that the relationship does not exist. Counts are distinct forwarded posts observed, so they only ever go up as we read more.
A live page changes as we take new readings, so a citation should name the measurement it is based on, not just the URL. The line below cites the subscriber count as measured 10 September 2026 — this entry's latest reading, not the date you are reading this.
“Вычислительная химия и новые материалы” (@compchem_and_novelmaterials), 369 subscribers as measured 10 September 2026. Telegram Register, tgregister.com/channel/compchem_and_novelmaterials.
Full measurement history, CC BY 4.0. Every reading this register holds for this entry, not just the latest one, as a dated, downloadable record: CSV · JSON. Free to use with attribution to tgregister.com. Each file carries its own generation timestamp, which is the figure to cite for exactly when the data was retrieved.