Buchumschlag

Improved Uncertainty Estimation of Graph Neural Network Potentials Using Engineered Latent Space Distances

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Musielewicz, Joseph, Lan, Janice, Uyttendaele, Matt, Kitchin, John R.
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Materials Science
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Accessing Numerical Energy Hessians with Graph Neural Network Potentials and Their Application in Heterogeneous Catalysis
von: Wander, Brook, et al.
Veröffentlicht: (2024)

Reduced Order Modeling of Energetic Materials Using Physics-Aware Recurrent Convolutional Neural Networks in a Latent Space (LatentPARC)
von: Gray, Zoë J., et al.
Veröffentlicht: (2025)

Uncertainty Quantification in Graph Neural Networks with Shallow Ensembles
von: Vinchurkar, Tirtha, et al.
Veröffentlicht: (2025)

ADA-GNN: Atom-Distance-Angle Graph Neural Network for Crystal Material Property Prediction
von: Huang, Jiao, et al.
Veröffentlicht: (2024)

Stable Long-Horizon Spatiotemporal Prediction on Meshes Using Latent Multiscale Recurrent Graph Neural Networks
von: Salesses, Lionel, et al.
Veröffentlicht: (2026)

Dielectric Tensor Prediction for Inorganic Materials Using Latent Information from Preferred Potential
von: Mao, Zetian, et al.
Veröffentlicht: (2024)

Orb: A Fast, Scalable Neural Network Potential
von: Neumann, Mark, et al.
Veröffentlicht: (2024)

Graph Neural Network Prediction of Nonlinear Optical Properties
von: Alkabakibi, Yomn, et al.
Veröffentlicht: (2025)

Microstructure-based Variational Neural Networks for Robust Uncertainty Quantification in Materials Digital Twins
von: Robertson, Andreas E., et al.
Veröffentlicht: (2025)

Do Graph Neural Networks Work for High Entropy Alloys?
von: Zhang, Hengrui, et al.
Veröffentlicht: (2024)

Scaling Laws of Graph Neural Networks for Atomistic Materials Modeling
von: Li, Chaojian, et al.
Veröffentlicht: (2025)

Pre-training Graph Neural Networks with Structural Fingerprints for Materials Discovery
von: Jia, Shuyi, et al.
Veröffentlicht: (2025)

LeMat-Traj: A Scalable and Unified Dataset of Materials Trajectories for Atomistic Modeling
von: Ramlaoui, Ali, et al.
Veröffentlicht: (2025)

Hierarchy-Guided Topology Latent Flow for Molecular Graph Generation
von: Awasthi, Urvi, et al.
Veröffentlicht: (2026)

A General Neural Network Potential for Energetic Materials with C, H, N, and O elements
von: Wen, Mingjie, et al.
Veröffentlicht: (2025)

Graph Neural Networks for Carbon Dioxide Adsorption Prediction in Aluminium-Exchanged Zeolites
von: Petković, Marko, et al.
Veröffentlicht: (2024)

Stress Predictions in Polycrystal Plasticity using Graph Neural Networks with Subgraph Training
von: Zhai, Hanfeng
Veröffentlicht: (2024)

TriForces: Augmenting Atomistic GNNs for Transferable Representations
von: Ramlaoui, Ali, et al.
Veröffentlicht: (2026)

On-the-Fly Fine-Tuning of Foundational Neural Network Potentials: A Bayesian Neural Network Approach
von: Rensmeyer, Tim, et al.
Veröffentlicht: (2025)

Toward Learning Latent-Variable Representations of Microstructures by Optimizing in Spatial Statistics Space
von: Hashemi, Sayed Sajad, et al.
Veröffentlicht: (2024)

SpinMultiNet: Neural Network Potential Incorporating Spin Degrees of Freedom with Multi-Task Learning
von: Ueno, Koki, et al.
Veröffentlicht: (2024)

Integrating Predictive and Generative Capabilities by Latent Space Design via the DKL-VAE Model
von: Slautin, Boris N., et al.
Veröffentlicht: (2025)

Model Accuracy and Data Heterogeneity Shape Uncertainty Quantification in Machine Learning Interatomic Potentials
von: Shuang, Fei, et al.
Veröffentlicht: (2025)

Scaling Kinetic Monte-Carlo Simulations of Grain Growth with Combined Convolutional and Graph Neural Networks
von: Tian, Zhihui, et al.
Veröffentlicht: (2025)

Learning Ordering in Crystalline Materials with Symmetry-Aware Graph Neural Networks
von: Peng, Jiayu, et al.
Veröffentlicht: (2024)

P-DRUM: Post-hoc Descriptor-based Residual Uncertainty Modeling for Machine Learning Potentials
von: Huang, Shih-Peng, et al.
Veröffentlicht: (2025)

Symmetry-Informed Graph Neural Networks for Carbon Dioxide Isotherm and Adsorption Prediction in Aluminum-Substituted Zeolites
von: Petković, Marko, et al.
Veröffentlicht: (2025)

A New Workflow for Materials Discovery Bridging the Gap Between Experimental Databases and Graph Neural Networks
von: Schoener, Brandon, et al.
Veröffentlicht: (2026)

CatTSunami: Accelerating Transition State Energy Calculations with Pre-trained Graph Neural Networks
von: Wander, Brook, et al.
Veröffentlicht: (2024)

Accelerating the Training and Improving the Reliability of Machine-Learned Interatomic Potentials for Strongly Anharmonic Materials through Active Learning
von: Kang, Kisung, et al.
Veröffentlicht: (2024)

Understanding the Capabilities of Molecular Graph Neural Networks in Materials Science Through Multimodal Learning and Physical Context Encoding
von: Polat, Can, et al.
Veröffentlicht: (2025)

Hybrid Quantum Graph Neural Network for Molecular Property Prediction
von: Vitz, Michael, et al.
Veröffentlicht: (2024)

Uncertainty Quantification in Multivariable Regression for Material Property Prediction with Bayesian Neural Networks
von: Li, Longze, et al.
Veröffentlicht: (2023)

Prediction of Final Phosphorus Content of Steel in a Scrap-Based Electric Arc Furnace Using Artificial Neural Networks
von: Azzaz, Riadh, et al.
Veröffentlicht: (2024)

Generalizability of Graph Neural Network Force Fields for Predicting Solid-State Properties
von: Mohanty, Shaswat, et al.
Veröffentlicht: (2024)

Lagrangian Neural Networks for Reversible Dissipative Evolution
von: Sundararaghavan, Veera, et al.
Veröffentlicht: (2024)

A Cartesian Encoding Graph Neural Network for Crystal Structures Property Prediction: Application to Thermal Ellipsoid Estimation
von: Solé, Àlex, et al.
Veröffentlicht: (2025)

Molecule Graph Networks with Many-body Equivariant Interactions
von: Mao, Zetian, et al.
Veröffentlicht: (2024)

Accurate and Uncertainty-Aware Multi-Task Prediction of HEA Properties Using Prior-Guided Deep Gaussian Processes
von: Alvi, Sk Md Ahnaf Akif, et al.
Veröffentlicht: (2025)

Accelerating Quantum Emitter Characterization with Latent Neural Ordinary Differential Equations
von: Proppe, Andrew H., et al.
Veröffentlicht: (2024)