Buchumschlag

Machine Learning Force Fields

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Unke, Oliver T., Chmiela, Stefan, Sauceda, Huziel E., Gastegger, Michael, Poltavsky, Igor, Schütt, Kristof T., Tkatchenko, Alexandre, Müller, Klaus-Robert
Format:	Preprint
Veröffentlicht:	2020
Schlagworte:	Chemical Physics Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

From Peptides to Nanostructures: A Euclidean Transformer for Fast and Stable Machine Learned Force Fields
von: Frank, J. Thorben, et al.
Veröffentlicht: (2023)

Towards Linearly Scaling and Chemically Accurate Global Machine Learning Force Fields for Large Molecules
von: Kabylda, Adil, et al.
Veröffentlicht: (2022)

Characterizing High-Capacity Janus Aminobenzene-Graphene Anode for Sodium-Ion Batteries with Machine Learning
von: Islas-Vargas, Claudia, et al.
Veröffentlicht: (2026)

Complete and Efficient Covariants for 3D Point Configurations with Application to Learning Molecular Quantum Properties
von: Maennel, Hartmut, et al.
Veröffentlicht: (2024)

How Atoms Interact Within Molecules
von: Kabylda, Adil, et al.
Veröffentlicht: (2026)

Euclidean Fast Attention -- Machine Learning Global Atomic Representations at Linear Cost
von: Frank, J. Thorben, et al.
Veröffentlicht: (2024)

aims-PAX: Parallel Active eXploration for the automated construction of Machine Learning Force Fields
von: Henkes, Tobias, et al.
Veröffentlicht: (2025)

Delta-learned force fields for nonbonded interactions: Addressing the strength mismatch between covalent-nonbonded interaction for global models
von: Cázares-Trejo, Leonardo, et al.
Veröffentlicht: (2025)

E3x: $\mathrm{E}(3)$-Equivariant Deep Learning Made Easy
von: Unke, Oliver T., et al.
Veröffentlicht: (2024)

Towards Accelerated SCF Workflows with Equivariant Density-Matrix Learning and Analytic Refinement
von: Yescas-Ramos, Zuriel Y., et al.
Veröffentlicht: (2026)

Machine Learned Force Fields: Fundamentals, its reach, and challenges
von: Vital, Carlos A., et al.
Veröffentlicht: (2025)

Accurate quantum Monte Carlo forces for machine-learned force fields: Ethanol as a benchmark
von: Slootman, Emiel, et al.
Veröffentlicht: (2024)

Generative Pseudo-Force Fields for Molecular Generation
von: Hessmann, Stefaan Simon Pierre, et al.
Veröffentlicht: (2026)

Quantum-Accurate Conformational Stabilities and Vibrational Dynamics in Molecules and Proteins with Machine-Learned Force Fields
von: Suárez-Dou, Sergio, et al.
Veröffentlicht: (2026)

Ensemble Learning of Machine Learning Force Fields
von: Yin, Bangchen, et al.
Veröffentlicht: (2024)

$Δ$-Machine Learning to Elevate DFT-based Potentials and a Force Field to the CCSD(T) Level Illustrated for Ethanol
von: Nandi, Apurba, et al.
Veröffentlicht: (2024)

Sampling 3D Molecular Conformers with Diffusion Transformers
von: Frank, J. Thorben, et al.
Veröffentlicht: (2025)

Analyzing Atomic Interactions in Molecules as Learned by Neural Networks
von: Esders, Malte, et al.
Veröffentlicht: (2024)

Quantum Field Approaches to Chemical Systems
von: Karimpour, Reza, et al.
Veröffentlicht: (2026)

Learning Hamiltonian Flow Maps: Mean Flow Consistency for Large-Timestep Molecular Dynamics
von: Ripken, Winfried, et al.
Veröffentlicht: (2026)

A Transferable Model of Molecular Exchange-Repulsion Interaction from Anisotropic Valence Density Overlap
von: Wing, Dahvyd, et al.
Veröffentlicht: (2025)

Grappa -- A Machine Learned Molecular Mechanics Force Field
von: Seute, Leif, et al.
Veröffentlicht: (2024)

Machine Learning Multiscale Interactions
von: Solé, Àlex, et al.
Veröffentlicht: (2026)

Machine-Learned Electrostatic Potentials for Accurate Hydration Free Energy Calculations
von: Hilfiker, Mathias, et al.
Veröffentlicht: (2025)

Understanding and Mitigating Distribution Shifts For Machine Learning Force Fields
von: Kreiman, Tobias, et al.
Veröffentlicht: (2025)

Two Protons, Two Positrons, and Four Electrons: Covalent Bond with van der Waals Characteristics
von: Charry, Jorge, et al.
Veröffentlicht: (2026)

Are Molecules Magical? Non-Stabilizerness in Molecular Bonding
von: Sarkis, Matthieu, et al.
Veröffentlicht: (2025)

MBD-ML: Many-body dispersion from machine learning for molecules and materials
von: Moerman, Evgeny, et al.
Veröffentlicht: (2026)

FreeCG: Free the Design Space of Clebsch-Gordan Transform for Machine Learning Force Fields
von: Shao, Shihao, et al.
Veröffentlicht: (2024)

A Machine Learning and Explainable AI Framework Tailored for Unbalanced Experimental Catalyst Discovery
von: Semnani, Parastoo, et al.
Veröffentlicht: (2024)

A Universal Deep Learning Force Field for Molecular Dynamic Simulation and Vibrational Spectra Prediction
von: Ji, Shengjiao, et al.
Veröffentlicht: (2025)

i-PI 2.0: A Universal Force Engine for Advanced Molecular Simulations
von: Kapil, Venkat, et al.
Veröffentlicht: (2018)

Towards Fast, Specialized Machine Learning Force Fields: Distilling Foundation Models via Energy Hessians
von: Amin, Ishan, et al.
Veröffentlicht: (2025)

Dataset Distillation for Machine Learning Force Field in Phase Transition Regime
von: Chen, Ruiyang, et al.
Veröffentlicht: (2026)

Thermodynamic Transferability in Coarse-Grained Force Fields using Graph Neural Networks
von: Shinkle, Emily, et al.
Veröffentlicht: (2024)

AceFF: A State-of-the-Art Machine Learning Potential for Small Molecules
von: Farr, Stephen E., et al.
Veröffentlicht: (2026)

Data-Driven Parametrization of Molecular Mechanics Force Fields for Expansive Chemical Space Coverage
von: Zheng, Tianze, et al.
Veröffentlicht: (2024)

Improving Molecular Force Fields with Minimal Temporal Information
von: Mollahosseini, Ali, et al.
Veröffentlicht: (2026)

Stability-Aware Training of Machine Learning Force Fields with Differentiable Boltzmann Estimators
von: Raja, Sanjeev, et al.
Veröffentlicht: (2024)

Towards Improved Quantum Machine Learning for Molecular Force Fields
von: Couzinié, Yannick, et al.
Veröffentlicht: (2025)