Buchumschlag

Sub-sampling of NMR Correlation and Exchange Experiments

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Beckmann, Julian B. B., Mantle, Mick D., Sederman, Andrew J., Gladden, Lynn F.
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

DiffNMR: Diffusion Models for Nuclear Magnetic Resonance Spectra Elucidation
von: Yang, Qingsong, et al.
Veröffentlicht: (2025)

NMIRacle: Multi-modal Generative Molecular Elucidation from IR and NMR Spectra
von: Ottomano, Federico, et al.
Veröffentlicht: (2025)

Pushing the limits of one-dimensional NMR spectroscopy for automated structure elucidation using artificial intelligence
von: Hu, Frank, 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)

Atomic Diffusion Models for Small Molecule Structure Elucidation from NMR Spectra
von: Xiong, Ziyu, et al.
Veröffentlicht: (2025)

Predicting small molecules solubilities on endpoint devices using deep ensemble neural networks
von: Ramos, Mayk Caldas, et al.
Veröffentlicht: (2023)

Bayesian Optimization of Catalysis With In-Context Learning
von: Ramos, Mayk Caldas, et al.
Veröffentlicht: (2023)

Computational Design and Experimental Validation of Photoactive PARP1 Inhibitors
von: Axelrod, Simon, et al.
Veröffentlicht: (2026)

Enhancing Peak Assignment in 13C NMR Spectroscopy: A Novel Approach Using Multimodal Alignment
von: Xu, Hao, et al.
Veröffentlicht: (2023)

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

TransPeakNet: Solvent-Aware 2D NMR Prediction via Multi-Task Pre-Training and Unsupervised Learning
von: Li, Yunrui, et al.
Veröffentlicht: (2024)

Clever Hans in Chemistry: Chemist Style Signals Confound Activity Prediction on Public Benchmarks
von: Blevins, Andrew D., et al.
Veröffentlicht: (2025)

SmileyLlama: Modifying Large Language Models for Directed Chemical Space Exploration
von: Cavanagh, Joseph M., et al.
Veröffentlicht: (2024)

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

VIANA: character Value-enhanced Intensity Assessment via domain-informed Neural Architecture
von: Queiroz, Luana P., et al.
Veröffentlicht: (2026)

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

Molecular-orbital-based Machine Learning for Open-shell and Multi-reference Systems with Kernel Addition Gaussian Process Regression
von: Cheng, Lixue, et al.
Veröffentlicht: (2022)

QT-Net: Rethinking Evaluation of AI Models in Atomic Chemical Space
von: Crespo, Pablo Martínez, et al.
Veröffentlicht: (2026)

2DNMRGym: An Annotated Experimental Dataset for Atom-Level Molecular Representation Learning in 2D NMR via Surrogate Supervision
von: Li, Yunrui, et al.
Veröffentlicht: (2025)

Chronoamperometry with Room-Temperature Ionic Liquids: Sub-Second Inference Techniques
von: France, Kordel K.
Veröffentlicht: (2025)

GraphVAMPNet, using graph neural networks and variational approach to markov processes for dynamical modeling of biomolecules
von: Ghorbani, Mahdi, et al.
Veröffentlicht: (2022)

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

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

Toward Routine CSP of Pharmaceuticals: A Fully Automated Protocol Using Neural Network Potentials
von: Glick, Zachary L., et al.
Veröffentlicht: (2025)

Learning Collective Variables with Synthetic Data Augmentation through Physics-Inspired Geodesic Interpolation
von: Yang, Soojung, et al.
Veröffentlicht: (2024)

FastCSP: Accelerated Molecular Crystal Structure Prediction with Universal Model for Atoms
von: Gharakhanyan, Vahe, et al.
Veröffentlicht: (2025)

Unravelling Chemical Exchanges Through Steady State Free Precession NMR
von: Jayanthi, Sundaresan, et al.
Veröffentlicht: (2026)

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

Assessing the impact of contact time on leachate chemistry from recycled concrete aggregates
von: Sanger, Morgan D., et al.
Veröffentlicht: (2025)

Active Learning in Symbolic Regression with Physical Constraints
von: Medina, Jorge, et al.
Veröffentlicht: (2023)

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

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

Clapeyron Neural Networks for Single-Species Vapor-Liquid Equilibria
von: Pavšek, Jan, et al.
Veröffentlicht: (2026)

OrbitAll: A Unified Quantum Mechanical Representation Deep Learning Framework for All Molecular Systems
von: Kang, Beom Seok, et al.
Veröffentlicht: (2025)

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

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

Autotuning T-PaiNN: Enabling Data-Efficient GNN Interatomic Potential Development via Classical-to-Quantum Transfer Learning
von: Pelletier, Vivienne, et al.
Veröffentlicht: (2026)

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

Twins in rotational spectroscopy: Does a rotational spectrum uniquely identify a molecule?
von: Schwarting, Marcus, et al.
Veröffentlicht: (2024)

A Systematic Evaluation of Molecular Mixture Behavior Prediction
von: Leenhouts, Roel J., et al.
Veröffentlicht: (2026)