Buchumschlag

Hammett-Inspired Product Baseline for Data-efficient $Δ$-ML in Chemical Space

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Rakotonirina, V. Diana, Bragato, Marco, von Rudorff, Guido Falk, von Lilienfeld, O. Anatole
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Chemical Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Combining Hammett $σ$ constants for $Δ$-machine learning and catalyst discovery
von: Rakotonirina, V. Diana, et al.
Veröffentlicht: (2024)

Quantum mechanical dataset of 836k neutral closed shell molecules with upto 5 heavy atoms from CNOFSiPSClBr
von: Khan, Danish, et al.
Veröffentlicht: (2024)

Representative Random Sampling of Chemical Space
von: Monterrubio-Chanca, Diego J., et al.
Veröffentlicht: (2025)

Arbitrarily Precise Quantum Alchemy
von: von Rudorff, Guido Falk
Veröffentlicht: (2021)

Alchemical harmonic approximation based potential for iso-electronic diatomics: Foundational baseline for $Δ$-machine learning
von: Krug, Simon León, et al.
Veröffentlicht: (2024)

Intrinsic Dimensionality of Molecular Properties
von: Banjafar, Ali, et al.
Veröffentlicht: (2025)

Alchemical diastereomers from antisymmetric alchemical perturbations
von: von Lilienfeld, O. Anatole, et al.
Veröffentlicht: (2023)

Generalized convolutional many body distribution functional representations
von: Khan, Danish, et al.
Veröffentlicht: (2024)

Alchemical geometry relaxation
von: Domenichini, Giorgio, et al.
Veröffentlicht: (2022)

Data-driven complete basis set limit estimates from a minimal auxiliary basis
von: Grimblat, Nicolas, et al.
Veröffentlicht: (2026)

The Alchemical Integral Transform revisited
von: Krug, Simon León, et al.
Veröffentlicht: (2023)

Alchemical insights into approximately quadratic energies of iso-electronic atoms
von: Krug, Simon León, et al.
Veröffentlicht: (2024)

Exact sampling of molecules in chemical space
von: Weinreich, Jan, et al.
Veröffentlicht: (2023)

Reducing Training Data Needs with Minimal Multilevel Machine Learning (M3L)
von: Heinen, Stefan, et al.
Veröffentlicht: (2023)

Wasserstein metric for improved QML with adjacency matrix representations
von: Çaylak, Onur, et al.
Veröffentlicht: (2020)

Data-Error Scaling Laws in Machine Learning on Combinatorial Mutation-prone Sets: Proteins and Small Molecules
von: Doffini, Vanni, et al.
Veröffentlicht: (2024)

Approximate Label Symmetries Improve Data Scaling
von: Kim, Scott Y. H., et al.
Veröffentlicht: (2026)

Adaptive atomic basis sets
von: Khan, Danish, et al.
Veröffentlicht: (2024)

Antisymmetry rules of response properties in certain chemical spaces
von: Shiraogawa, Takafumi, et al.
Veröffentlicht: (2025)

Calculated state-of-the art results for solvation and ionization energies of thousands of organic molecules relevant to battery design
von: Weinreich, Jan, et al.
Veröffentlicht: (2024)

Adaptive hybrid density functionals
von: Khan, Danish, et al.
Veröffentlicht: (2024)

Gradient-Guided Furthest Point Sampling for Robust Training Set Selection
von: Trestman, Morris, et al.
Veröffentlicht: (2025)

Benchmarking Data Efficiency in $Δ$-ML and Multifidelity Models for Quantum Chemistry
von: Vinod, Vivin, et al.
Veröffentlicht: (2024)

Elektronenstruktur angelernt
von: Guido Falk von Rudorff
Veröffentlicht: (2024)

$Δ$-ML Ensembles for Selecting Quantum Chemistry Methods to Compute Intermolecular Interactions
von: Wallace, Austin M., et al.
Veröffentlicht: (2025)

Short-range $Δ$-Machine Learning: A cost-efficient strategy to transfer chemical accuracy to condensed phase systems
von: Mészáros, Bence Balázs, et al.
Veröffentlicht: (2025)

Orbital Energies Are Chemical Potentials in Ground-State Density Functional Theory and Excited-State $Δ$SCF Theory
von: Yang, Weitao, et al.
Veröffentlicht: (2024)

Network topology mapping of Chemical Compounds Space
von: Tsekenis, Georgios, et al.
Veröffentlicht: (2024)

Velocity Gauge for Oscillator Strength in $Δ$SCF theory
von: Shen, Yang, et al.
Veröffentlicht: (2026)

Bayesian Optimization in Chemical Compound Sub-Spaces using Low-Dimensional Molecular Descriptors
von: Mao, Yun-Wen, et al.
Veröffentlicht: (2026)

"Gold-Standard" $Δ$-Machine Learned and Transferable Potential for Linear Alkanes
von: Qu, Chen, et al.
Veröffentlicht: (2025)

Molecular Quantum Chemical Data Sets and Databases for Machine Learning Potentials
von: Ullah, Arif, et al.
Veröffentlicht: (2024)

Thawed Gaussian wavepacket dynamics with $Δ$-machine learned potentials
von: Gherib, Rami, et al.
Veröffentlicht: (2024)

Resilience of Hund's rule in the Chemical Space of Small Organic Molecules
von: Majumdar, Atreyee, et al.
Veröffentlicht: (2024)

Chemical Reaction Engineering and Catalysis: AI/ML Workflows and Self-Driving Laboratories
von: Advincula, Rigoberto, et al.
Veröffentlicht: (2026)

The Phase-Space Way To Electronic Structure Theory and Subsequently Chemical Dynamics
von: Bian, Xuezhi, et al.
Veröffentlicht: (2025)

A Chemical Space Perspective on Diastereomeric Barriers in Alkylperoxy-to-Hydroperoxyalkyl Isomerization
von: Ramakrishnan, Raghunathan
Veröffentlicht: (2026)

Data-Driven Parametrization of Molecular Mechanics Force Fields for Expansive Chemical Space Coverage
von: Zheng, Tianze, 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)

Navigating Chemical Space: Multi-Level Bayesian Optimization with Hierarchical Coarse-Graining
von: Walter, Luis J., et al.
Veröffentlicht: (2025)