Buchumschlag

Equivariant Matrix Function Neural Networks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Batatia, Ilyes, Schaaf, Lars L., Chen, Huajie, Csányi, Gábor, Ortner, Christoph, Faber, Felix A.
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Machine Learning Materials Science Chemical Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Design Space of Self--Consistent Electrostatic Machine Learning Interatomic Potentials
von: Baldwin, William J., et al.
Veröffentlicht: (2026)

Better without U: Impact of Selective Hubbard U Correction on Foundational MLIPs
von: Warford, Thomas, et al.
Veröffentlicht: (2026)

BoostMD: Accelerating molecular sampling by leveraging ML force field features from previous time-steps
von: Schaaf, Lars L., et al.
Veröffentlicht: (2024)

Energy-conserving equivariant GNN for elasticity of lattice architected metamaterials
von: Grega, Ivan, et al.
Veröffentlicht: (2024)

Zero Shot Molecular Generation via Similarity Kernels
von: Elijošius, Rokas, et al.
Veröffentlicht: (2024)

Cutting Through the Noise: On-the-fly Outlier Detection for Robust Training of Machine Learning Interatomic Potentials
von: Lam, Terry C. W., et al.
Veröffentlicht: (2026)

Data-efficient fine-tuning of foundational models for first-principles quality sublimation enthalpies
von: Kaur, Harveen, et al.
Veröffentlicht: (2024)

XANE(3): An E(3)-Equivariant Graph Neural Network for Accurate Prediction of XANES Spectra from Atomic Structures
von: Grizzi, Vitor F., et al.
Veröffentlicht: (2026)

Force-Free Molecular Dynamics Through Autoregressive Equivariant Networks
von: Thiemann, Fabian L., et al.
Veröffentlicht: (2025)

Equivariant Machine Learning Interatomic Potentials with Global Charge Redistribution
von: Maruf, Moin Uddin, et al.
Veröffentlicht: (2025)

Learning Ordering in Crystalline Materials with Symmetry-Aware Graph Neural Networks
von: Peng, Jiayu, et al.
Veröffentlicht: (2024)

MACE-POLAR-1: A Polarisable Electrostatic Foundation Model for Molecular Chemistry
von: Batatia, Ilyes, et al.
Veröffentlicht: (2026)

Implicit Neural Representations for Chemical Reaction Paths
von: Ramakrishnan, Kalyan, et al.
Veröffentlicht: (2025)

Transferable Water Potentials Using Equivariant Neural Networks
von: Maxson, Tristan, et al.
Veröffentlicht: (2024)

Enabling Efficient Equivariant Operations in the Fourier Basis via Gaunt Tensor Products
von: Luo, Shengjie, et al.
Veröffentlicht: (2024)

Orbital Transformers for Predicting Wavefunctions in Time-Dependent Density Functional Theory
von: Zhang, Xuan, et al.
Veröffentlicht: (2026)

Systematic Fine-Tuning of MACE Interatomic Potentials for Catalysis
von: Karimitari, Nima, et al.
Veröffentlicht: (2026)

A Cartesian Encoding Graph Neural Network for Crystal Structures Property Prediction: Application to Thermal Ellipsoid Estimation
von: Solé, Àlex, et al.
Veröffentlicht: (2025)

Cross Learning between Electronic Structure Theories for Unifying Molecular, Surface, and Inorganic Crystal Foundation Force Fields
von: Batatia, Ilyes, et al.
Veröffentlicht: (2025)

Leveraging Data Mining, Active Learning, and Domain Adaptation in a Multi-Stage, Machine Learning-Driven Approach for the Efficient Discovery of Advanced Acidic Oxygen Evolution Electrocatalysts
von: Ding, Rui, et al.
Veröffentlicht: (2024)

Benchmarking of machine learning interatomic potentials for reactive hydrogen dynamics at metal surfaces
von: Stark, Wojciech G., et al.
Veröffentlicht: (2024)

Action-Minimization Meets Generative Modeling: Efficient Transition Path Sampling with the Onsager-Machlup Functional
von: Raja, Sanjeev, et al.
Veröffentlicht: (2025)

Discovery of 2D Materials via Symmetry-Constrained Diffusion Model
von: Xu, Shihang, et al.
Veröffentlicht: (2024)

Knowledge-Reuse Transfer Learning Methods in Molecular and Material Science
von: Chen, An, et al.
Veröffentlicht: (2024)

Global Plane Waves From Local Gaussians: Periodic Charge Densities in a Blink
von: Elsborg, Jonas, et al.
Veröffentlicht: (2026)

Enhancing Diffusion-Based Sampling with Molecular Collective Variables
von: Nam, Juno, et al.
Veröffentlicht: (2025)

A chemical language model for reticular materials design
von: Menon, Dhruv, et al.
Veröffentlicht: (2026)

Reflections from the 2024 Large Language Model (LLM) Hackathon for Applications in Materials Science and Chemistry
von: Zimmermann, Yoel, et al.
Veröffentlicht: (2024)

Towards Routine Condensed Phase Simulations with Delta-Learned Coupled Cluster Accuracy: Application to Liquid Water
von: O'Neill, Niamh, et al.
Veröffentlicht: (2025)

Foundation Models for Discovery and Exploration in Chemical Space
von: Wadell, Alexius, et al.
Veröffentlicht: (2025)

On Representing Electronic Wave Functions with Sign Equivariant Neural Networks
von: Gao, Nicholas, et al.
Veröffentlicht: (2024)

Learning the action for long-time-step simulations of molecular dynamics
von: Bigi, Filippo, et al.
Veröffentlicht: (2025)

Model-free quantification of completeness, uncertainties, and outliers in atomistic machine learning using information theory
von: Schwalbe-Koda, Daniel, et al.
Veröffentlicht: (2024)

The Open DAC 2025 Dataset for Sorbent Discovery in Direct Air Capture
von: Sriram, Anuroop, et al.
Veröffentlicht: (2025)

Transferable Learning of Reaction Pathways from Geometric Priors
von: Nam, Juno, et al.
Veröffentlicht: (2025)

Comparing the latent features of universal machine-learning interatomic potentials
von: Chorna, Sofiia, et al.
Veröffentlicht: (2025)

Manifold Diffusion for Structure Generation of Transition Metal Complexes
von: Schaufelberger, Luca, et al.
Veröffentlicht: (2026)

Kernel Learning Assisted Synthesis Condition Exploration for Ternary Spinel
von: Liu, Yutong, et al.
Veröffentlicht: (2025)

Adapting OC20-trained EquiformerV2 Models for High-Entropy Materials
von: Clausen, Christian M., et al.
Veröffentlicht: (2024)

Many-body Expansion Based Machine Learning Models for Octahedral Transition Metal Complexes
von: Meyer, Ralf, et al.
Veröffentlicht: (2024)