Buchumschlag

Synergistic integration of physical embedding and machine learning enabling precise and reliable force field

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Xu, Lifeng, Jiang, Jian
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

Understanding multi-fidelity training of machine-learned force-fields
von: Gardner, John L. A., et al.
Veröffentlicht: (2025)

Accurate quantum Monte Carlo forces for machine-learned force fields: Ethanol as a benchmark
von: Slootman, Emiel, et al.
Veröffentlicht: (2024)

Symmetry-invariant quantum machine learning force fields
von: Le, Isabel Nha Minh, et al.
Veröffentlicht: (2023)

Point defect formation at finite temperatures with machine learning force fields
von: Mosquera-Lois, Irea, et al.
Veröffentlicht: (2024)

Accurate machine learning force fields via experimental and simulation data fusion
von: Röcken, Sebastien, et al.
Veröffentlicht: (2023)

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

Teachers that teach the irrelevant: Pre-training machine learned interaction potentials with classical force fields for robust molecular dynamics simulations
von: Yuan, Eric C. -Y., et al.
Veröffentlicht: (2025)

Bayesian learning for accurate and robust biomolecular force fields
von: Kostal, Vojtech, et al.
Veröffentlicht: (2025)

The dark side of the forces: assessing non-conservative force models for atomistic machine learning
von: Bigi, Filippo, et al.
Veröffentlicht: (2024)

Comparing classical and machine learning force fields for modeling deformation of solid sorbents relevant for direct air capture
von: Brabson, Logan M., et al.
Veröffentlicht: (2025)

Modelling complex proton transport phenomena -- Exploring the limits of fine-tuning and transferability of foundational machine-learned force fields
von: Grunert, Malte, et al.
Veröffentlicht: (2025)

Hierarchical quantum embedding by machine learning for large molecular assemblies
von: Bensberg, Moritz, et al.
Veröffentlicht: (2025)

Physical embedding machine learning force fields for organic systems
von: Hu, Junbao, et al.
Veröffentlicht: (2025)

Multimodal machine learning with large language embedding model for polymer property prediction
von: Zhang, Tianren, et al.
Veröffentlicht: (2025)

Unveiling the amorphous ice layer during premelting using AFM integrating machine learning
von: Tang, Binze, et al.
Veröffentlicht: (2025)

Permutationally invariant polynomial regression for energies and gradients, using reverse differentiation, achieves orders of magnitude speed-up with high precision compared to other machine learning methods
von: Houston, Paul L., et al.
Veröffentlicht: (2021)

A CPD-enabled low-scaling environment solver in a coupled cluster based static quantum embedding theory
von: Pierce, Karl, et al.
Veröffentlicht: (2026)

Active learning and explicit electrostatics enable accurate modeling of electrolytes
von: Chalykh, Olga, et al.
Veröffentlicht: (2025)

Fast and flexible long-range models for atomistic machine learning
von: Loche, Philip, et al.
Veröffentlicht: (2024)

How unconstrained machine-learning models learn physical symmetries
von: Domina, Michelangelo, et al.
Veröffentlicht: (2026)

Mitigating error cancellation in density functional approximations via machine learning correction
von: An, Zipeng, et al.
Veröffentlicht: (2025)

Universally applicable and tunable graph-based coarse-graining for Machine learning force fields
von: Brunken, Christoph, et al.
Veröffentlicht: (2025)

Machine-learned molecular mechanics force field for the simulation of protein-ligand systems and beyond
von: Takaba, Kenichiro, et al.
Veröffentlicht: (2023)

Benchmarking of machine learning interatomic potentials for reactive hydrogen dynamics at metal surfaces
von: Stark, Wojciech G., et al.
Veröffentlicht: (2024)

Introduction to machine learning potentials for atomistic simulations
von: Thiemann, Fabian L., et al.
Veröffentlicht: (2024)

Uncertainty in the era of machine learning for atomistic modeling
von: Grasselli, Federico, et al.
Veröffentlicht: (2025)

A density-functional perspective on force fields
von: Sheng, Nan
Veröffentlicht: (2026)

Physics-informed machine learning for combustion: A review
von: Wu, Jiahao, et al.
Veröffentlicht: (2025)

Quantum-centric machine learning for molecular dynamics
von: Tao, Yanxian, et al.
Veröffentlicht: (2025)

Constructing accurate and efficient general-purpose atomistic machine learning model with transferable accuracy for quantum chemistry
von: Chen, Yicheng, et al.
Veröffentlicht: (2024)

Bound-state relativistic quantum electrodynamics: a perspective for precision physics with atoms and molecules
von: Nonn, Ádám, et al.
Veröffentlicht: (2024)

Solving multi-pole challenges in the GW100 benchmark enables precise low-scaling GW calculations
von: Schambeck, Mia, et al.
Veröffentlicht: (2024)

Metatensor and metatomic: foundational libraries for interoperable atomistic machine learning
von: Bigi, Filippo, et al.
Veröffentlicht: (2025)

Accurate molecular polarizabilities with coupled-cluster theory and machine learning
von: Wilkins, David M., et al.
Veröffentlicht: (2018)

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

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

Random sampling versus active learning algorithms for machine learning potentials of quantum liquid water
von: Stolte, Nore, et al.
Veröffentlicht: (2024)

A simple approach to rotationally invariant machine learning of avector quantity
von: Martinka, Jakub, et al.
Veröffentlicht: (2024)

Combining Hammett $σ$ constants for $Δ$-machine learning and catalyst discovery
von: Rakotonirina, V. Diana, et al.
Veröffentlicht: (2024)

MLQD: A package for machine learning-based quantum dissipative dynamics
von: Ullah, Arif, et al.
Veröffentlicht: (2023)