Buchumschlag

Response Matching for generating materials and molecules

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Cheng, Bingqing
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Materials Science Computational Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Latent Ewald summation for machine learning of long-range interactions
von: Cheng, Bingqing
Veröffentlicht: (2024)

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

Learning charges and long-range interactions from energies and forces
von: Kim, Dongjin, et al.
Veröffentlicht: (2024)

Machine learning interatomic potential can infer electrical response
von: Zhong, Peichen, et al.
Veröffentlicht: (2025)

MBD-ML: Many-body dispersion from machine learning for molecules and materials
von: Moerman, Evgeny, et al.
Veröffentlicht: (2026)

Polarizable atomic multipoles for learning long-range electrostatics
von: Kim, Dongjin, et al.
Veröffentlicht: (2026)

MEIDNet: Multimodal generative AI framework for inverse materials design
von: Babu, Anand, et al.
Veröffentlicht: (2026)

Discovery of sustainable energy materials via the machine-learned material space
von: Grunert, Malte, et al.
Veröffentlicht: (2025)

A physics-aware deep learning model for shear band formation around collapsing pores in shocked reactive materials
von: Cheng, Xinlun, et al.
Veröffentlicht: (2025)

Flow Matching for Accelerated Simulation of Atomic Transport in Crystalline Materials
von: Nam, Juno, et al.
Veröffentlicht: (2024)

General time-reversal equivariant neural network potential for magnetic materials
von: Yu, Hongyu, et al.
Veröffentlicht: (2022)

A comparative study of transformer models and recurrent neural networks for path-dependent composite materials
von: Uvdal, Petter, et al.
Veröffentlicht: (2026)

UniGenX: a unified generative foundation model that couples sequence, structure and function to accelerate scientific design across proteins, molecules and materials
von: Zhang, Gongbo, et al.
Veröffentlicht: (2025)

SA-GAT-SR: Self-Adaptable Graph Attention Networks with Symbolic Regression for high-fidelity material property prediction
von: Liu, Junchi, et al.
Veröffentlicht: (2025)

FlowMM: Generating Materials with Riemannian Flow Matching
von: Miller, Benjamin Kurt, et al.
Veröffentlicht: (2024)

Learning from the electronic structure of molecules across the periodic table
von: Kaniselvan, Manasa, et al.
Veröffentlicht: (2025)

Micrometer: Micromechanics Transformer for Predicting Mechanical Responses of Heterogeneous Materials
von: Wang, Sifan, et al.
Veröffentlicht: (2024)

Assessing generative modeling approaches for free energy estimates in condensed matter
von: Schebek, Maximilian, et al.
Veröffentlicht: (2025)

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

Extreme time extrapolation capabilities and thermodynamic consistency of physics-inspired Neural Networks for the 3D microstructure evolution of materials via Cahn-Hilliard flow
von: Lanzoni, Daniele, et al.
Veröffentlicht: (2024)

VibroML: an automated toolkit for high-throughput vibrational analysis and dynamic instability remediation of crystalline materials using machine-learned potentials
von: Gouvêa, Rogério Almeida, et al.
Veröffentlicht: (2026)

Equivariant neural network for Green's functions of molecules and materials
von: Dong, Xinyang, et al.
Veröffentlicht: (2023)

Unleashing the power of novel conditional generative approaches for new materials discovery
von: Novitskiy, Lev, et al.
Veröffentlicht: (2024)

Machine learning of microstructure--property relationships in materials leveraging microstructure representation from foundational vision transformers
von: Whitman, Sheila E., et al.
Veröffentlicht: (2025)

A chemical language model for reticular materials design
von: Menon, Dhruv, et al.
Veröffentlicht: (2026)

Towards Harmonization of SO(3)-Equivariance and Expressiveness: a Hybrid Deep Learning Framework for Electronic-Structure Hamiltonian Prediction
von: Yin, Shi, et al.
Veröffentlicht: (2024)

The Northeast Materials Database for Magnetic Materials
von: Itani, Suman, et al.
Veröffentlicht: (2024)

A Comparative Study of Machine Learning Models Predicting Energetics of Interacting Defects
von: Yu, Hao
Veröffentlicht: (2024)

When More Data Hurts: Optimizing Data Coverage While Mitigating Diversity Induced Underfitting in an Ultra-Fast Machine-Learned Potential
von: Gibson, Jason B., et al.
Veröffentlicht: (2024)

EPi-cKANs: Elasto-Plasticity Informed Kolmogorov-Arnold Networks Using Chebyshev Polynomials
von: Mostajeran, Farinaz, et al.
Veröffentlicht: (2024)

CrysToGraph: A Comprehensive Predictive Model for Crystal Materials Properties and the Benchmark
von: Wang, Hongyi, et al.
Veröffentlicht: (2024)

How big is Big Data?
von: Speckhard, Daniel T., et al.
Veröffentlicht: (2024)

Space Group Informed Transformer for Crystalline Materials Generation
von: Cao, Zhendong, et al.
Veröffentlicht: (2024)

A Message Passing Neural Network Surrogate Model for Bond-Associated Peridynamic Material Correspondence Formulation
von: Hu, Xuan, et al.
Veröffentlicht: (2024)

Accelerating Electron Dynamics Simulations through Machine Learned Time Propagators
von: Shah, Karan, et al.
Veröffentlicht: (2024)

Graph-neural-network predictions of solid-state NMR parameters from spherical tensor decomposition
von: Mahmoud, Chiheb Ben, et al.
Veröffentlicht: (2024)

MESS: Modern Electronic Structure Simulations
von: Helal, Hatem, et al.
Veröffentlicht: (2024)

Discovering High-Strength Alloys via Physics-Transfer Learning
von: Zhao, Yingjie, et al.
Veröffentlicht: (2024)

Predicting Organic-Inorganic Halide Perovskite Photovoltaic Performance from Optical Properties of Constituent Films through Machine Learning
von: Zhang, Ruiqi, et al.
Veröffentlicht: (2024)

A predictive machine learning force field framework for liquid electrolyte development
von: Gong, Sheng, et al.
Veröffentlicht: (2024)