Scalable Training of Trustworthy and Energy-Efficient Predictive Graph Foundation Models for Atomistic Materials Modeling: A Case Study with HydraGNN

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Pasini, Massimiliano Lupo, Choi, Jong Youl, Mehta, Kshitij, Zhang, Pei, Rogers, David, Bae, Jonghyun, Ibrahim, Khaled Z., Aji, Ashwin M., Schulz, Karl W., Polo, Jorda, Balaprakash, Prasanna
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Computational Physics 68T07, 68T09 C.2.4; I.2.11
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Online

https://arxiv.org/abs/2406.12909