Buchumschlag

Predicting solvation free energies with an implicit solvent machine learning potential

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Röcken, Sebastien, Burnet, Anton F., Zavadlav, Julija
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Chemical Physics Machine Learning Computational Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

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

chemtrain: Learning Deep Potential Models via Automatic Differentiation and Statistical Physics
von: Fuchs, Paul, 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)

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

Learning Non-Local Molecular Interactions via Equivariant Local Representations and Charge Equilibration
von: Fuchs, Paul, et al.
Veröffentlicht: (2025)

Generalization of Long-Range Machine Learning Potentials in Complex Chemical Spaces
von: Sanocki, Michal, et al.
Veröffentlicht: (2025)

Enhanced Sampling for Efficient Learning of Coarse-Grained Machine Learning Potentials
von: Chen, Weilong, et al.
Veröffentlicht: (2025)

Enhancing Machine Learning Potentials through Transfer Learning across Chemical Elements
von: Röcken, Sebastien, et al.
Veröffentlicht: (2025)

Coarse-Grained Boltzmann Generators
von: Chen, Weilong, et al.
Veröffentlicht: (2026)

Predicting solvation free energies for neutral molecules in any solvent with openCOSMO-RS
von: Müller, Simon, et al.
Veröffentlicht: (2024)

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

Mapping Still Matters: Coarse-Graining with Machine Learning Potentials
von: Görlich, Franz, et al.
Veröffentlicht: (2025)

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

Refining Machine Learning Potentials through Thermodynamic Theory of Phase Transitions
von: Fuchs, Paul, et al.
Veröffentlicht: (2025)

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

Active learning of Boltzmann samplers and potential energies with quantum mechanical accuracy
von: Molina-Taborda, Ana, et al.
Veröffentlicht: (2024)

Hessian QM9: A quantum chemistry database of molecular Hessians in implicit solvents
von: Williams, Nicholas J., et al.
Veröffentlicht: (2024)

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

Evaluation of uncertainty estimations for Gaussian process regression based machine learning interatomic potentials
von: Holzenkamp, Matthias, 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)

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

PAL -- Parallel active learning for machine-learned potentials
von: Zhou, Chen, et al.
Veröffentlicht: (2024)

Model-free quantification of completeness, uncertainties, and outliers in atomistic machine learning using information theory
von: Schwalbe-Koda, Daniel, et al.
Veröffentlicht: (2024)

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

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

Performance of universal machine-learned potentials with explicit long-range interactions in biomolecular simulations
von: Zaverkin, Viktor, et al.
Veröffentlicht: (2025)

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

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

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

Computing solvation free energies of small molecules with experimental accuracy
von: Moore, J. Harry, et al.
Veröffentlicht: (2024)

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)

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

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

Considerations in the use of ML interaction potentials for free energy calculations
von: Mendible, Orlando A., et al.
Veröffentlicht: (2024)

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

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)

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

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