Buchumschlag

QeMFi: A Multifidelity Dataset of Quantum Chemical Properties of Diverse Molecules

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Vinod, Vivin, Zaspel, Peter
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

Assessing Non-Nested Configurations of Multifidelity Machine Learning for Quantum-Chemical Properties
von: Vinod, Vivin, et al.
Veröffentlicht: (2024)

Benchmarking Data Efficiency in $Δ$-ML and Multifidelity Models for Quantum Chemistry
von: Vinod, Vivin, et al.
Veröffentlicht: (2024)

Investigating Data Hierarchies in Multifidelity Machine Learning for Excitation Energies
von: Vinod, Vivin, et al.
Veröffentlicht: (2024)

Optimized Multifidelity Machine Learning for Quantum Chemistry
von: Vinod, Vivin, et al.
Veröffentlicht: (2023)

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

Multi-Fidelity Machine Learning for Excited State Energies of Molecules
von: Vinod, Vivin, et al.
Veröffentlicht: (2023)

Excitation Energy Transfer between Porphyrin Dyes on a Clay Surface: A study employing Multifidelity Machine Learning
von: Lyu, Dongyu, et al.
Veröffentlicht: (2024)

Evaluation of uncertainty estimations for Gaussian process regression based machine learning interatomic potentials
von: Holzenkamp, Matthias, et al.
Veröffentlicht: (2024)

$\nabla^2$DFT: A Universal Quantum Chemistry Dataset of Drug-Like Molecules and a Benchmark for Neural Network Potentials
von: Khrabrov, Kuzma, et al.
Veröffentlicht: (2024)

QMe14S, A Comprehensive and Efficient Spectral Dataset for Small Organic Molecules
von: Yuan, Mingzhi, et al.
Veröffentlicht: (2025)

Beyond Learning on Molecules by Weakly Supervising on Molecules
von: Prastalo, Gordan, et al.
Veröffentlicht: (2026)

Parametrized Quantum Circuit Learning for Quantum Chemical Applications
von: Jones, Grier M., et al.
Veröffentlicht: (2025)

Transfer Learning across Different Chemical Domains: Virtual Screening of Organic Materials with Deep Learning Models Pretrained on Small Molecule and Chemical Reaction Data
von: Zhang, Chengwei, et al.
Veröffentlicht: (2023)

Federated Learning from Molecules to Processes: A Perspective
von: Rittig, Jan G., et al.
Veröffentlicht: (2025)

QuantumChem-200K: A Large-Scale Open Organic Molecular Dataset for Quantum-Chemistry Property Screening and Language Model Benchmarking
von: Zeng, Yinqi, et al.
Veröffentlicht: (2025)

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

Scalable Autoregressive 3D Molecule Generation
von: Cheng, Austin H., et al.
Veröffentlicht: (2025)

QH9: A Quantum Hamiltonian Prediction Benchmark for QM9 Molecules
von: Yu, Haiyang, et al.
Veröffentlicht: (2023)

Interpretable Machine Learning for Quantum-Informed Property Predictions in Artificial Sensing Materials
von: Chen, Li, et al.
Veröffentlicht: (2026)

AceFF: A State-of-the-Art Machine Learning Potential for Small Molecules
von: Farr, Stephen E., et al.
Veröffentlicht: (2026)

Procedural Synthesis of Synthesizable Molecules
von: Sun, Michael, et al.
Veröffentlicht: (2024)

Complete and Efficient Covariants for 3D Point Configurations with Application to Learning Molecular Quantum Properties
von: Maennel, Hartmut, et al.
Veröffentlicht: (2024)

Evaluating the Progression of Large Language Model Capabilities for Small-Molecule Drug Design
von: Chennakesavalu, Shriram, et al.
Veröffentlicht: (2026)

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

Data-Error Scaling Laws in Machine Learning on Combinatorial Mutation-prone Sets: Proteins and Small Molecules
von: Doffini, Vanni, et al.
Veröffentlicht: (2024)

Navigating Chemical Space with Latent Flows
von: Wei, Guanghao, et al.
Veröffentlicht: (2024)

GemNet: Universal Directional Graph Neural Networks for Molecules
von: Gasteiger, Johannes, et al.
Veröffentlicht: (2021)

Molecular Machine Learning in Chemical Process Design
von: Rittig, Jan G., et al.
Veröffentlicht: (2025)

Implicit Neural Representations for Chemical Reaction Paths
von: Ramakrishnan, Kalyan, et al.
Veröffentlicht: (2025)

A Kolmogorov-Arnold Surrogate Model for Chemical Equilibria: Application to Solid Solutions
von: Boledi, Leonardo, et al.
Veröffentlicht: (2026)

ChemFlow:A Hierarchical Neural Network for Multiscale Representation Learning in Chemical Mixtures
von: Fan, Jinming, et al.
Veröffentlicht: (2026)

Riemannian Denoising Model for Molecular Structure Optimization with Chemical Accuracy
von: Woo, Jeheon, et al.
Veröffentlicht: (2024)

CompleteRXN: Toward Completing Open Chemical Reaction Databases
von: Vogel, Gabriel, et al.
Veröffentlicht: (2026)

React-OT: Optimal Transport for Generating Transition State in Chemical Reactions
von: Duan, Chenru, et al.
Veröffentlicht: (2024)

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

Distributional Priors Guided Diffusion for Generating 3D Molecules in Low Data Regimes
von: Hong, Haokai, et al.
Veröffentlicht: (2024)

Look the Other Way: Designing 'Positive' Molecules with Negative Data via Task Arithmetic
von: Özçelik, Rıza, et al.
Veröffentlicht: (2025)

Graph Neural Networks for Surfactant Multi-Property Prediction
von: Brozos, Christoforos, et al.
Veröffentlicht: (2024)

Meta-Learning Linear Models for Molecular Property Prediction
von: Pimonova, Yulia, et al.
Veröffentlicht: (2025)

Sculpting Molecules in Text-3D Space: A Flexible Substructure Aware Framework for Text-Oriented Molecular Optimization
von: Zhang, Kaiwei, et al.
Veröffentlicht: (2024)