Buchumschlag

Efficient interpolation of molecular properties across chemical compound space with low-dimensional descriptors

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Mao, Yun-Wen, Krems, Roman V.
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

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

Rigorous quantum calculations for atom-molecule chemical reactions in electric fields: from single to multiple partial wave regimes
von: Tscherbul, Timur V., et al.
Veröffentlicht: (2025)

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

Quantum Gaussian process model of potential energy surface for a polyatomic molecule
von: Dai, Jun, et al.
Veröffentlicht: (2022)

Tabular foundation models for in-context prediction of molecular properties
von: Hicham, Karim K. Ben, et al.
Veröffentlicht: (2026)

Multitask methods for predicting molecular properties from heterogeneous data
von: Fisher, Katharine, et al.
Veröffentlicht: (2024)

onepot CORE -- an enumerated chemical space to streamline drug discovery, enabled by automated small molecule synthesis and AI
von: Tyrin, Andrei S., et al.
Veröffentlicht: (2026)

LATTE: an atomic environment descriptor based on Cartesian tensor contractions
von: Pellegrini, Franco, et al.
Veröffentlicht: (2024)

Benchmarking of quantum fidelity kernels for Gaussian process regression
von: Guo, Xuyang, et al.
Veröffentlicht: (2024)

LFaB: Low fidelity as Bias for Active Learning in the chemical configuration space
von: Vinod, Vivin, et al.
Veröffentlicht: (2025)

Are we making much progress? Revisiting chemical reaction yield prediction from an imbalanced regression perspective
von: Ma, Yihong, et al.
Veröffentlicht: (2024)

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

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

FlashMD: long-stride, universal prediction of molecular dynamics
von: Bigi, Filippo, et al.
Veröffentlicht: (2025)

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

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

Molecule Generation and Optimization for Efficient Fragrance Creation
von: Rodrigues, Bruno C. L., et al.
Veröffentlicht: (2024)

Motional representation; the ability to predict odor characters using molecular vibrations
von: Harada, Yuki, et al.
Veröffentlicht: (2025)

Transfer Learning across Different Chemical Domains: Virtual Screening of Organic Materials with Deep Learning Models Pretrained on Small Molecule and Chemical Reaction Data
von: Zhang, Chengwei, et al.
Veröffentlicht: (2023)

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

Transfer learning for predicting source terms of principal component transport in chemically reactive flow
von: Jung, Ki Sung, et al.
Veröffentlicht: (2023)

Generating transition states of chemical reactions via distance-geometry-based flow matching
von: Luo, Yufei, et al.
Veröffentlicht: (2025)

Hessian QM9: A quantum chemistry database of molecular Hessians in implicit solvents
von: Williams, Nicholas J., et al.
Veröffentlicht: (2024)

Leap: molecular synthesisability scoring with intermediates
von: Calvi, Antonia, et al.
Veröffentlicht: (2024)

Highly Accurate Real-space Electron Densities with Neural Networks
von: Cheng, Lixue, et al.
Veröffentlicht: (2024)

General classification of qubit encodings in ultracold diatomic molecules
von: Asnaashari, K., et al.
Veröffentlicht: (2023)

Predicting band gap from chemical composition: A simple learned model for a material property with atypical statistics
von: Ma, Andrew, et al.
Veröffentlicht: (2025)

Using GNN property predictors as molecule generators
von: Therrien, Félix, et al.
Veröffentlicht: (2024)

Understanding active learning of molecular docking and its applications
von: Kim, Jeonghyeon, et al.
Veröffentlicht: (2024)

On the design space between molecular mechanics and machine learning force fields
von: Wang, Yuanqing, et al.
Veröffentlicht: (2024)

Pushing the limits of one-dimensional NMR spectroscopy for automated structure elucidation using artificial intelligence
von: Hu, Frank, et al.
Veröffentlicht: (2025)

GraphXForm: Graph transformer for computer-aided molecular design
von: Pirnay, Jonathan, et al.
Veröffentlicht: (2024)

DeepEOSNet: Capturing the dependency on thermodynamic state in property prediction tasks
von: Pavšek, Jan, et al.
Veröffentlicht: (2025)

Accurate and efficient structure elucidation from routine one-dimensional NMR spectra using multitask machine learning
von: Hu, Frank, et al.
Veröffentlicht: (2024)

Predicting performance-related properties of refrigerant based on tailored small-molecule functional group contribution
von: Cao, Peilin, et al.
Veröffentlicht: (2025)

Towards Environment-Sensitive Molecular Inference via Mixed Integer Linear Programming
von: Zhu, Jianshen, et al.
Veröffentlicht: (2025)

An interpretable molecular descriptor for machine learning predictions in atmospheric science
von: Lind, Linus, et al.
Veröffentlicht: (2025)

E(3)-equivariant models cannot learn chirality: Field-based molecular generation
von: Dumitrescu, Alexandru, et al.
Veröffentlicht: (2024)

Deconstructing equivariant representations in molecular systems
von: Lee, Kin Long Kelvin, et al.
Veröffentlicht: (2024)

QMe14S, A Comprehensive and Efficient Spectral Dataset for Small Organic Molecules
von: Yuan, Mingzhi, et al.
Veröffentlicht: (2025)