Buchumschlag

Benchmarking of machine learning interatomic potentials for reactive hydrogen dynamics at metal surfaces

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Stark, Wojciech G., van der Oord, Cas, Batatia, Ilyes, Zhang, Yaolong, Jiang, Bin, Csányi, Gábor, Maurer, Reinhard J.
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Chemical Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Nonadiabatic reactive scattering of hydrogen on different surface facets of copper
von: Stark, Wojciech G., et al.
Veröffentlicht: (2025)

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

Role of anisotropic electronic friction in laser-driven hydrogen recombination on copper
von: Spears, Alexander, et al.
Veröffentlicht: (2026)

Unifying the description of hydrocarbons and hydrogenated carbon materials with a chemically reactive machine learning interatomic potential
von: Ibragimova, Rina, et al.
Veröffentlicht: (2024)

Equivariant Matrix Function Neural Networks
von: Batatia, Ilyes, et al.
Veröffentlicht: (2023)

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

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

Development of machine-learned interatomic potentials to predict structure, transport, and reactivity in platinum-based fuel cells
von: Fazel, Kamron, et al.
Veröffentlicht: (2025)

Benchmarking machine-learned interatomic potentials for molecular infrared spectroscopy
von: Bhatia, Nitik, et al.
Veröffentlicht: (2026)

ArcaNN: automated enhanced sampling generation of training sets for chemically reactive machine learning interatomic potentials
von: David, Rolf, et al.
Veröffentlicht: (2024)

Room Temperature Hydrogen Atom Scattering Experiments Are Not a Sufficient Benchmark to Validate Electronic Friction Theory
von: Box, Connor L., et al.
Veröffentlicht: (2024)

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

High temperature melting of dense molecular hydrogen from machine-learning interatomic potentials trained on quantum Monte Carlo
von: Goswami, Shubhang, et al.
Veröffentlicht: (2024)

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)

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

Data-driven construction of machine-learning-based interatomic potentials for gas-surface scattering dynamics: the case of NO on graphite
von: Del Fré, Samuel, et al.
Veröffentlicht: (2026)

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

Low-rank matrix and tensor approximations for compression of machine-learning interatomic potentials
von: Vorotnikov, Igor, et al.
Veröffentlicht: (2025)

Understanding and improving transferability in machine-learned activation energy predictors
von: Gilkes, Joe, et al.
Veröffentlicht: (2025)

Cartesian atomic cluster expansion for machine learning interatomic potentials
von: Cheng, Bingqing
Veröffentlicht: (2024)

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

Overcoming sampling limitations using machine-learned interatomic potentials: the case of water-in-salt electrolytes
von: Brugnoli, Luca, et al.
Veröffentlicht: (2026)

Leveraging active learning-enhanced machine-learned interatomic potential for efficient infrared spectra prediction
von: Bhatia, Nitik, et al.
Veröffentlicht: (2025)

Interpolation and differentiation of alchemical degrees of freedom in machine learning interatomic potentials
von: Nam, Juno, et al.
Veröffentlicht: (2024)

How accurate are foundational machine learning interatomic potentials for heterogeneous catalysis?
von: Kempen, Luuk H. E., et al.
Veröffentlicht: (2025)

Density diversity in training data governs thermodynamic transferability of machine learning interatomic potentials
von: Kim, Minwoo, et al.
Veröffentlicht: (2026)

MACE-OFF: Transferable Short Range Machine Learning Force Fields for Organic Molecules
von: Kovács, Dávid Péter, et al.
Veröffentlicht: (2023)

Self-consistent Coulomb interactions for machine learning interatomic potentials
von: Thomas, Jack, et al.
Veröffentlicht: (2024)

Benchmarking short-range machine learning potentials for atomistic simulations of metal/electrolyte interfaces
von: de Kam, Lucas B. T., et al.
Veröffentlicht: (2026)

Structural bias in three-dimensional autoregressive generative machine learning of organic molecules
von: Koczor-Benda, Zsuzsanna, et al.
Veröffentlicht: (2025)

Bayesian Neural Networks versus deep ensembles for uncertainty quantification in machine learning interatomic potentials
von: Farris, Riccardo, et al.
Veröffentlicht: (2025)

Guest Editorial: Special Topic on Software for Atomistic Machine Learning
von: Rupp, Matthias, et al.
Veröffentlicht: (2024)

A universal augmentation framework for long-range electrostatics in machine learning interatomic potentials
von: Kim, Dongjin, et al.
Veröffentlicht: (2025)

Fine-tuning foundation models of materials interatomic potentials with frozen transfer learning
von: Radova, Mariia, et al.
Veröffentlicht: (2025)

Evaluation of uncertainty estimations for Gaussian process regression based machine learning interatomic potentials
von: Holzenkamp, Matthias, et al.
Veröffentlicht: (2024)

Long-range electrostatics for machine learning interatomic potentials is easier than we thought
von: Kim, Dongjin, et al.
Veröffentlicht: (2025)

Machine learning interatomic potentials for lithium battery electrolyte design
von: Gunwook Nam, et al.
Veröffentlicht: (2026)

Reweighting free energy profiles between universal machine learning interatomic potentials for fast consensus building
von: Majumdar, Sauradeep, et al.
Veröffentlicht: (2026)

Latent space design of interatomic potentials
von: Atlas, Susan R.
Veröffentlicht: (2026)