| نمایه | آخرین بروز رسانی |
|---|---|
| Scopus | فوریه ۲۰۲۲ |
| ISI | اکتبر ۲۰۲۳ |
| SCImago | ژانویه ۲۰۲۰ |
| ISI Open Access Journals | می ۲۰۲۵ |
| لیست سیاه وزارت علوم | آبان ۱۴۰۲ |
| لیست سیاه وزارت بهداشت | آبان ۱۴۰۲ |
| لیست سیاه دانشگاه آزاد | بهمن ۱۳۹۹ |
| مجلات دارای زمان داوری | ژانویه ۲۰۲۲ |
| مجلات درجه بندی شده از نظر سختی پذیرش | ژانویه ۲۰۲۲ |
| فراخوانهای مقاله | مارس ۲۰۲۵ |
| آمار دانلود مقالات هر مجله | ژانویه ۲۰۲۲ |
| نمایه | آخرین بروز رسانی |
|---|---|
| Scopus | فوریه ۲۰۲۵ |
| ISI | نوامبر ۲۰۲۵ |
| SCImago | می ۲۰۲۵ |
| ISI Open Access Journals | می ۲۰۲۵ |
| لیست سیاه وزارت علوم | آذر ۱۴۰۴ |
| لیست سیاه وزارت بهداشت | فروردین ۱۴۰۳ |
| لیست سیاه دانشگاه آزاد | دی ۱۴۰۳ |
| مجلات دارای زمان داوری | می ۲۰۲۵ |
| مجلات درجه بندی شده از نظر سختی پذیرش | می ۲۰۲۵ |
| فراخوانهای مقاله | مارس ۲۰۲۵ |
| آمار دانلود مقالات هر مجله | می ۲۰۲۵ |
Npj Computational Materials
| انگلستان | کشور |
| ۱۲٫۲۴۱ | Impact Factor |
| 2057-3960 | ISSN |
| 2057-3960 | e-ISSN |
| 2015 تا کنون | مدت فعالیت |
| Springer Nature | ناشر |
| www.nature.com | سایت مجله |
ISI
Scopus این مجله در فهرست مجلات Scopus قرار دارد و با نام npj Computational Materials ثبت شده است. بر اساس تقسیم بندی این بنیاد مقالات چاپ شده در این مجله در رشته های تخصصی زیر قرار دارند:
SCImago بر اساس دسته بندی این بنیاد این مجله در دسته Q1 قرار دارد
رشته تخصصی و رتبه مجله در آن رشته:
npj Computational Materials مقالات تحقیقاتی با کیفیتی را منتشر میکند که از رویکردهای محاسباتی برای طراحی مواد جدید و برای افزایش درک ما از مواد موجود استفاده میکند. تکنیکهای محاسباتی جدید - و اصلاح رویکردهای فعلی - که این اهداف را تسهیل میکنند نیز مورد استقبال قرار میگیرند، همانطور که مقالات تجربی تکمیل کننده یافتههای محاسباتی هستند.
محدوده نشریه نمایندگی شامل:
بکارگیری و توسعه رویکردهای نظری و شبیه سازی موجود و در حال ظهور برای مطالعه مواد به طور کلی (آلی و معدنی).
پیشبینی ساختار و ویژگی مواد جدید، مانند پارادایم «مواد بر اساس طراحی».
درک جدید قابل توجهی از اصول، رفتار و خواص مواد.
کارهای تجربی یکپارچه/مکمل که به اعتبار، پشتیبانی و گسترش یافته های محاسباتی کمک می کند.
تکنیکهای پرتوان – هم محاسباتی و هم تجربی – برای تولید مجموعه دادههای بزرگ و دادهکاوی مواد.