Buchumschlag

Probabilistic transfer learning methodology to expedite high fidelity simulation of reactive flows

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Soriano, Bruno S., Jung, Ki Sung, Echekki, Tarek, Chen, Jacqueline H., Khalil, Mohammad
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Chemical Physics Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Transfer learning for predicting source terms of principal component transport in chemically reactive flow
von: Jung, Ki Sung, et al.
Veröffentlicht: (2023)

Numerical investigation of gravity effects on backdraft phenomena in an enclosure with varying geometries
von: Devananda, Vijayananda V., et al.
Veröffentlicht: (2024)

Transfer learning for atomistic simulations using GNNs and kernel mean embeddings
von: Falk, John, et al.
Veröffentlicht: (2023)

Constructing accurate machine-learned potentials and performing highly efficient atomistic simulations to predict structural and thermal properties
von: Liu, Junlan, et al.
Veröffentlicht: (2024)

Assessing the Extrapolation Capability of Template-Free Retrosynthesis Models
von: Chen, Shuan, et al.
Veröffentlicht: (2024)

Ab-initio simulation of excited-state potential energy surfaces with transferable deep quantum Monte Carlo
von: Schätzle, Zeno, et al.
Veröffentlicht: (2025)

Physics-informed active learning for accelerating quantum chemical simulations
von: Hou, Yi-Fan, et al.
Veröffentlicht: (2024)

chemtrain-deploy: A parallel and scalable framework for machine learning potentials in million-atom MD simulations
von: Fuchs, Paul, et al.
Veröffentlicht: (2025)

LFaB: Low fidelity as Bias for Active Learning in the chemical configuration space
von: Vinod, Vivin, et al.
Veröffentlicht: (2025)

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

All-in-one foundational models learning across quantum chemical levels
von: Chen, Yuxinxin, et al.
Veröffentlicht: (2024)

Mol-LLaMA: Towards General Understanding of Molecules in Large Molecular Language Model
von: Kim, Dongki, et al.
Veröffentlicht: (2025)

Using machine learning to map simulated noisy and laser-limited multidimensional spectra to molecular electronic couplings
von: Schultz, Jonathan D., et al.
Veröffentlicht: (2025)

Computing excited states of molecules using normalizing flows
von: Saleh, Yahya, et al.
Veröffentlicht: (2023)

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

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

Machine learning for accuracy in density functional approximations
von: Voss, Johannes
Veröffentlicht: (2023)

Accurate and efficient structure elucidation from routine one-dimensional NMR spectra using multitask machine learning
von: Hu, Frank, et al.
Veröffentlicht: (2024)

Beyond MD17: the reactive xxMD dataset
von: Pengmei, Zihan, et al.
Veröffentlicht: (2023)

Knowing when to trust machine-learned interatomic potentials
von: Mehdi, Shams, et al.
Veröffentlicht: (2026)

Enhancing molecular dynamics with equivariant machine-learned densities
von: Bogojeski, Mihail, et al.
Veröffentlicht: (2026)

Pushing the limits of unconstrained machine-learned interatomic potentials
von: Bigi, Filippo, et al.
Veröffentlicht: (2026)

3DReact: Geometric deep learning for chemical reactions
von: van Gerwen, Puck, et al.
Veröffentlicht: (2023)

Generating transition states of chemical reactions via distance-geometry-based flow matching
von: Luo, Yufei, et al.
Veröffentlicht: (2025)

Validation of ML-UQ calibration statistics using simulated reference values: a sensitivity analysis
von: Pernot, Pascal
Veröffentlicht: (2024)

Representing spherical tensors with scalar-based machine-learning models
von: Domina, Michelangelo, et al.
Veröffentlicht: (2025)

The impact of conformer quality on learned representations of molecular conformer ensembles
von: Adams, Keir, et al.
Veröffentlicht: (2025)

Extending machine learning model for implicit solvation to free energy calculations
von: Dey, Rishabh, et al.
Veröffentlicht: (2025)

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

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

Integer linear programming for unsupervised training set selection in molecular machine learning
von: Haeberle, Matthieu, et al.
Veröffentlicht: (2024)

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

Machine Learning Nonadiabatic Dynamics: Eliminating Phase Freedom of Nonadiabatic Couplings with the State-Intraction State-Averaged Spin-Restricted Ensemble-Referenced Kohn-Sham Approach
von: Moon, Sung Wook, et al.
Veröffentlicht: (2024)

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

Kolmogorov-Arnold Chemical Reaction Neural Networks for learning pressure-dependent kinetic rate laws
von: Koenig, Benjamin C., et al.
Veröffentlicht: (2025)

Support vector machines for learning reactive islands
von: Naik, Shibabrat, et al.
Veröffentlicht: (2021)

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

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

Understanding active learning of molecular docking and its applications
von: Kim, Jeonghyeon, et al.
Veröffentlicht: (2024)