Buchumschlag

Transferability and Accuracy of Ionic Liquid Simulations with Equivariant Machine Learning Interatomic Potentials

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Goodwin, Zachary A. H., Wenny, Malia B., Yang, Julia H., Cepellotti, Andrea, Ding, Jingxuan, Bystrom, Kyle, Duschatko, Blake R., Johansson, Anders, Sun, Lixin, Batzner, Simon, Musaelian, Albert, Mason, Jarad A., Kozinsky, Boris, Molinari, Nicola
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Chemical Physics Computational Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Nonlocal Machine-Learned Exchange Functional for Molecules and Solids
von: Bystrom, Kyle, et al.
Veröffentlicht: (2023)

Thermodynamically Informed Multimodal Learning of High-Dimensional Free Energy Models in Molecular Coarse Graining
von: Duschatko, Blake R., et al.
Veröffentlicht: (2024)

Addressing the Band Gap Problem with a Machine-Learned Exchange Functional
von: Bystrom, Kyle, et al.
Veröffentlicht: (2024)

A Recipe for Charge Density Prediction
von: Fu, Xiang, et al.
Veröffentlicht: (2024)

Atomistic evolution of active sites in multi-component heterogeneous catalysts
von: Owen, Cameron J., et al.
Veröffentlicht: (2024)

Coupled reaction and diffusion governing interface evolution in solid-state batteries
von: Ding, Jingxuan, et al.
Veröffentlicht: (2025)

Unified Differentiable Learning of Electric Response
von: Falletta, Stefano, et al.
Veröffentlicht: (2024)

Revealing the proton slingshot mechanism in solid acid electrolytes through machine learning molecular dynamics
von: Wang, Menghang, et al.
Veröffentlicht: (2025)

Room-temperature decomposition of the ethaline deep eutectic solvent
von: Yang, Julia H., et al.
Veröffentlicht: (2024)

Size-Consistent Adiabatic Connection Functionals via Orbital-Based Matrix Interpolation
von: Bystrom, Kyle, et al.
Veröffentlicht: (2025)

Equivariant Interatomic Potentials without Tensor Products
von: Reschützegger, Thiago, et al.
Veröffentlicht: (2026)

Unbiased Atomistic Predictions of Crystal Dislocation Dynamics using Bayesian Force Fields
von: Owen, Cameron J., et al.
Veröffentlicht: (2024)

Phase discovery with active learning: Application to structural phase transitions in equiatomic NiTi
von: Vandermause, Jonathan, et al.
Veröffentlicht: (2024)

DFT Accuracy on Crystal Structure Prediction with Machine Learning Interatomic Potentials
von: Midgley, Laurence I., et al.
Veröffentlicht: (2026)

Equivariant Cohomology, BRST Quantization, and Analytic Localization: A Unified Framework
von: Xu, Lixin
Veröffentlicht: (2026)

Mixture of Experts Framework in Machine Learning Interatomic Potentials for Atomistic Simulations
von: Nascimento, Gabriel de Miranda, et al.
Veröffentlicht: (2026)

Node-Equivariant Message Passing for Efficient and Accurate Machine Learning Interatomic Potentials
von: Zhang, Yaolong, et al.
Veröffentlicht: (2025)

High-performance training and inference for deep equivariant interatomic potentials
von: Tan, Chuin Wei, et al.
Veröffentlicht: (2025)

Multiscale light-matter dynamics in quantum materials: from electrons to topological superlattices
von: Razakh, Taufeq Mohammed, et al.
Veröffentlicht: (2025)

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

Fine-Tuning Unifies Foundational Machine-learned Interatomic Potential Architectures at ab initio Accuracy
von: Hänseroth, Jonas, et al.
Veröffentlicht: (2025)

DPA4: Pushing the Accuracy-Cost Frontier of Interatomic Potentials with EMFA SO(2) Convolution
von: Li, Tiancheng, et al.
Veröffentlicht: (2026)

Reversible Ionic Aggregation Kinetics in Concentrated Electrolytes
von: Goodwin, Zachary A. H.
Veröffentlicht: (2026)

Electric Field Induced Associations in the Double Layer of Salt-in-Ionic-Liquid Electrolytes
von: Markiewitz, Daniel M., et al.
Veröffentlicht: (2024)

Accuracy and Limitations of Machine-Learned Interatomic Potentials for Magnetic Systems: A Case Study on Fe-Cr-C
von: Khazieva, E. O., et al.
Veröffentlicht: (2025)

Laser-driven ferroelectricity in $\mathrm{SrTiO_{3}}$ via quantum fluctuation quenching
von: Libbi, Francesco, et al.
Veröffentlicht: (2025)

Geometry-enhanced Pre-training on Interatomic Potentials
von: Cui, Taoyong, et al.
Veröffentlicht: (2023)

Physics-Informed Weakly Supervised Learning for Interatomic Potentials
von: Takamoto, Makoto, et al.
Veröffentlicht: (2024)

Learning Equivariant Maps with Variational Quantum Circuits
von: Bradshaw, Zachary P., et al.
Veröffentlicht: (2024)

Confronting Interatomic Force Measurements
von: Dagdeviren, Omur E
Veröffentlicht: (2019)

Benchmarking Universal Machine Learning Interatomic Potentials for Supported Nanoparticles: Decoupling Energy Accuracy from Structural Exploration
von: Xu, Jiayan, et al.
Veröffentlicht: (2025)

Tensor Decomposition Networks for Fast Machine Learning Interatomic Potential Computations
von: Lin, Yuchao, et al.
Veröffentlicht: (2025)

Antiquity, Dark Ages and Renaissance of Light-Front Higher Spin Theory
von: Bengtsson, Anders K H
Veröffentlicht: (2025)

Evidential Deep Learning for Interatomic Potentials
von: Xu, Han, et al.
Veröffentlicht: (2024)

Scaling Machine Learning Interatomic Potentials with Mixtures of Experts
von: Liu, Yuzhi, et al.
Veröffentlicht: (2026)

Extrapolation of Machine-Learning Interatomic Potentials for Organic and Polymeric Systems
von: Hooven, Natalie E., et al.
Veröffentlicht: (2025)

Dependence of Microstructure Classification Accuracy on Crystallographic Data Representation
von: Pothagoni, Shrunal, et al.
Veröffentlicht: (2025)

Equivariant Multiscale Learned Invertible Reconstruction for Cone Beam CT: From Simulated to Real Data
von: Moriakov, Nikita, et al.
Veröffentlicht: (2025)

Tuning Interatomic Forces with Magnetic Fields: Feshbach Resonances in Lithium-6
von: Vitali, Ettore, et al.
Veröffentlicht: (2026)

Augmenting Molecular Graphs with Geometries via Machine Learning Interatomic Potentials
von: Fu, Cong, et al.
Veröffentlicht: (2025)