Buchumschlag

Machine learning for accuracy in density functional approximations

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Voss, Johannes
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Chemical Physics Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Teacher-student training improves accuracy and efficiency of machine learning interatomic potentials
von: Matin, Sakib, et al.
Veröffentlicht: (2025)

Active learning of Boltzmann samplers and potential energies with quantum mechanical accuracy
von: Molina-Taborda, Ana, et al.
Veröffentlicht: (2024)

Enhancing molecular dynamics with equivariant machine-learned densities
von: Bogojeski, Mihail, et al.
Veröffentlicht: (2026)

EspalomaCharge: Machine learning-enabled ultra-fast partial charge assignment
von: Wang, Yuanqing, et al.
Veröffentlicht: (2023)

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

Grad DFT: a software library for machine learning enhanced density functional theory
von: Casares, Pablo A. M., et al.
Veröffentlicht: (2023)

Machine learning for accuracy in density functional approximations
von: Johannes Voss
Veröffentlicht: (2024)

Excited-state nonadiabatic dynamics in explicit solvent using machine learned interatomic potentials
von: Tiefenbacher, Maximilian X., et al.
Veröffentlicht: (2025)

NeuralSCF: Neural network self-consistent fields for density functional theory
von: Song, Feitong, et al.
Veröffentlicht: (2024)

Stable and Accurate Orbital-Free DFT Powered by Machine Learning
von: Remme, Roman, et al.
Veröffentlicht: (2025)

Machine learning frontier orbital energies of nanodiamonds
von: Kirschbaum, Thorren, et al.
Veröffentlicht: (2022)

Machine learning Hubbard parameters with equivariant neural networks
von: Uhrin, Martin, et al.
Veröffentlicht: (2024)

Machine learning meets mass spectrometry: a focused perspective
von: Boiko, Daniil A., et al.
Veröffentlicht: (2024)

Machine Learning Force Fields
von: Unke, Oliver T., et al.
Veröffentlicht: (2020)

Probing the effects of broken symmetries in machine learning
von: Langer, Marcel F., et al.
Veröffentlicht: (2024)

Molecular Machine Learning in Chemical Process Design
von: Rittig, Jan G., et al.
Veröffentlicht: (2025)

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

3DReact: Geometric deep learning for chemical reactions
von: van Gerwen, Puck, et al.
Veröffentlicht: (2023)

Knowing when to trust machine-learned interatomic potentials
von: Mehdi, Shams, et al.
Veröffentlicht: (2026)

Pushing the limits of unconstrained machine-learned interatomic potentials
von: Bigi, Filippo, et al.
Veröffentlicht: (2026)

Machine learning interatomic potential can infer electrical response
von: Zhong, Peichen, et al.
Veröffentlicht: (2025)

Machine-Learning Interatomic Potentials for Long-Range Systems
von: Ji, Yajie, et al.
Veröffentlicht: (2025)

Nutmeg and SPICE: Models and Data for Biomolecular Machine Learning
von: Eastman, Peter, et al.
Veröffentlicht: (2024)

How False Data Affects Machine Learning Models in Electrochemistry?
von: Deshsorna, Krittapong, et al.
Veröffentlicht: (2023)

Representing spherical tensors with scalar-based machine-learning models
von: Domina, Michelangelo, et al.
Veröffentlicht: (2025)

The impact of conformer quality on learned representations of molecular conformer ensembles
von: Adams, Keir, et al.
Veröffentlicht: (2025)

Outlier-Detection for Reactive Machine Learned Potential Energy Surfaces
von: Vazquez-Salazar, Luis Itza, et al.
Veröffentlicht: (2024)

Transfer learning for atomistic simulations using GNNs and kernel mean embeddings
von: Falk, John, et al.
Veröffentlicht: (2023)

Extending machine learning model for implicit solvation to free energy calculations
von: Dey, Rishabh, et al.
Veröffentlicht: (2025)

Multitask learning with semiempirical orbital charges enables sample-efficient MLIPs
von: Neporozhnii, Ihor, et al.
Veröffentlicht: (2026)

All-in-one foundational models learning across quantum chemical levels
von: Chen, Yuxinxin, et al.
Veröffentlicht: (2024)

Surrogate Functionals for Machine-Learned Orbital-Free Density Functional Theory
von: Remme, Roman, et al.
Veröffentlicht: (2026)

Advancing Molecular Machine Learning Representations with Stereoelectronics-Infused Molecular Graphs
von: Boiko, Daniil A., et al.
Veröffentlicht: (2024)

Generalization of Long-Range Machine Learning Potentials in Complex Chemical Spaces
von: Sanocki, Michal, et al.
Veröffentlicht: (2025)

MLIPilot: LLM-Driven Auto-Research for Machine-Learned Interatomic Potentials
von: Osaro, Etinosa, et al.
Veröffentlicht: (2026)

Integer linear programming for unsupervised training set selection in molecular machine learning
von: Haeberle, Matthieu, et al.
Veröffentlicht: (2024)

Probabilistic transfer learning methodology to expedite high fidelity simulation of reactive flows
von: Soriano, Bruno S., et al.
Veröffentlicht: (2024)

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

Machine Learning Potentials: A Roadmap Toward Next-Generation Biomolecular Simulations
von: De Fabritiis, Gianni
Veröffentlicht: (2024)

Assessing Non-Nested Configurations of Multifidelity Machine Learning for Quantum-Chemical Properties
von: Vinod, Vivin, et al.
Veröffentlicht: (2024)