Buchumschlag

Accurate nuclear quantum statistics on machine-learned classical effective potentials

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zaporozhets, Iryna, Musil, Félix, Kapil, Venkat, Clementi, Cecilia
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Chemical Physics Computational Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Effective classical potential for quantum statistical averages
von: Sadhasivam, Vijay Ganesh, et al.
Veröffentlicht: (2026)

Introduction to machine learning potentials for atomistic simulations
von: Thiemann, Fabian L., et al.
Veröffentlicht: (2024)

On the role of nuclear quantum effects on the stability of peptides
von: Shen, Jing, et al.
Veröffentlicht: (2025)

Uncertainty in the era of machine learning for atomistic modeling
von: Grasselli, Federico, et al.
Veröffentlicht: (2025)

Harmonic-to-anharmonic thermodynamic integration made simple using REG TI
von: Kapil, Venkat
Veröffentlicht: (2026)

Accurate quantum Monte Carlo forces for machine-learned force fields: Ethanol as a benchmark
von: Slootman, Emiel, et al.
Veröffentlicht: (2024)

Atom-Density Representations for Machine Learning
von: Willatt, Michael J., et al.
Veröffentlicht: (2018)

CO2 Hydration at the Air-Water Interface: A Surface-Mediated 'In and Out' Mechanism
von: Brookes, Samuel G. H., et al.
Veröffentlicht: (2025)

Fast and Accurate Uncertainty Estimation in Chemical Machine Learning
von: Musil, Felix, et al.
Veröffentlicht: (2018)

Leveraging active learning-enhanced machine-learned interatomic potential for efficient infrared spectra prediction
von: Bhatia, Nitik, et al.
Veröffentlicht: (2025)

Self-learning path integral hybrid Monte Carlo with mixed ab initio and machine learning potentials for modeling nuclear quantum effects in water
von: Thomsen, Bo, et al.
Veröffentlicht: (2024)

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

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

Bridging electronic and classical density-functional theory using universal machine-learned functional approximations
von: Kelley, Michelle M., et al.
Veröffentlicht: (2024)

Predicting solvation free energies with an implicit solvent machine learning potential
von: Röcken, Sebastien, et al.
Veröffentlicht: (2024)

Random sampling versus active learning algorithms for machine learning potentials of quantum liquid water
von: Stolte, Nore, et al.
Veröffentlicht: (2024)

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

Tunneling phase diagram: A machine-learning framework for multidimensional kinetic isotope effects
von: Yang, Xinrui, et al.
Veröffentlicht: (2026)

Accurate molecular polarizabilities with coupled-cluster theory and machine learning
von: Wilkins, David M., et al.
Veröffentlicht: (2018)

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

Teachers that teach the irrelevant: Pre-training machine learned interaction potentials with classical force fields for robust molecular dynamics simulations
von: Yuan, Eric C. -Y., et al.
Veröffentlicht: (2025)

Understanding multi-fidelity training of machine-learned force-fields
von: Gardner, John L. A., et al.
Veröffentlicht: (2025)

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

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

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

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

Basic stability tests of machine learning potentials for molecular simulations in computational drug discovery
von: Ranasinghe, Kavindri, et al.
Veröffentlicht: (2025)

Enhanced Diffusion Sampling: Efficient Rare Event Sampling and Free Energy Calculation with Diffusion Models
von: Xie, Yu, et al.
Veröffentlicht: (2026)

Accurate atomic correlation and total energies for correlation consistent effective core potentials II: Rb-Xe elements
von: Shaikh, Aqsa, et al.
Veröffentlicht: (2025)

Vibrational Spectra of Materials and Molecules from Partially-Adiabatic Elevated-Temperature Centroid Molecular Dynamics
von: Castro, Jorge, et al.
Veröffentlicht: (2025)

Thawed Gaussian wavepacket dynamics with $Δ$-machine learned potentials
von: Gherib, Rami, et al.
Veröffentlicht: (2024)

Constraint-aware functional cloning for stable and transferable machine-learned density functional theory
von: Navarro-Rodríguez, Sara, et al.
Veröffentlicht: (2026)

Pauli propagation enables fast classical simulation of strongly correlated quantum systems
von: Shrikhande, Chinmay, et al.
Veröffentlicht: (2025)

Crossing the 12,000-atom barrier with heterogeneous quantum-classical supercomputing: quantum chemistry of protein-ligand complexes
von: Merz, Jr., Kenneth M., et al.
Veröffentlicht: (2026)

Accurate and efficient machine learning interatomic potentials for finite temperature modeling of molecular crystals
von: Della Pia, Flaviano, et al.
Veröffentlicht: (2025)

Hierarchical quantum embedding by machine learning for large molecular assemblies
von: Bensberg, Moritz, et al.
Veröffentlicht: (2025)

Modeling the structural and thermal properties of loaded metal-organic frameworks. An interplay of quantum and anharmonic fluctuations
von: Kapil, Venkat, et al.
Veröffentlicht: (2019)

High temperature melting of dense molecular hydrogen from machine-learning interatomic potentials trained on quantum Monte Carlo
von: Goswami, Shubhang, et al.
Veröffentlicht: (2024)

Machine learning electronic structure and atomistic properties from the external potential
von: Nigam, Jigyasa, et al.
Veröffentlicht: (2026)

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