Buchumschlag

A simple approach to rotationally invariant machine learning of avector quantity

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Martinka, Jakub, Pederzoli, Marek, Barbatti, Mario, Dral, Pavlo O., Pittner, Jiří
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Chemical Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Accelerated Surface Hopping via Scaling the Spin--Orbit Coupling: Opportunities for Machine Learning
von: Martinka, Jakub, et al.
Veröffentlicht: (2026)

Flexible Framework for Surface Hopping: From Hybrid Schemes for Machine Learning to Benchmarkable Nonadiabatic Dynamics
von: Martinka, Jakub, et al.
Veröffentlicht: (2025)

A Descriptor Is All You Need: Accurate Machine Learning of Nonadiabatic Coupling Vectors
von: Martinka, Jakub, et al.
Veröffentlicht: (2025)

Quantum Chemical and Trajectory Surface Hopping Molecular Dynamics Study of Iodine-based BODIPY Photosensitizer
von: Baig, Mirza Wasif, et al.
Veröffentlicht: (2024)

MLQD: A package for machine learning-based quantum dissipative dynamics
von: Ullah, Arif, et al.
Veröffentlicht: (2023)

MLatom software ecosystem for surface hopping dynamics in Python with quantum mechanical and machine learning methods
von: Zhang, Lina, et al.
Veröffentlicht: (2024)

Spin-free orbital entropy, mutual information, and correlation analysis
von: Pittner, Jiri
Veröffentlicht: (2025)

All-in-one foundational models learning across quantum chemical levels
von: Chen, Yuxinxin, et al.
Veröffentlicht: (2024)

Molecular Quantum Chemical Data Sets and Databases for Machine Learning Potentials
von: Ullah, Arif, et al.
Veröffentlicht: (2024)

Physics-Informed Neural Networks and Beyond: Enforcing Physical Constraints in Quantum Dissipative Dynamics
von: Ullah, Arif, et al.
Veröffentlicht: (2024)

Tell machine learning potentials what they are needed for: Simulation-oriented training exemplified for glycine
von: Ge, Fuchun, et al.
Veröffentlicht: (2024)

Hilbert space multireference coupled clusters tailored by matrix product states
von: Demel, Ondrej, et al.
Veröffentlicht: (2023)

MLatom 3: Platform for machine learning-enhanced computational chemistry simulations and workflows
von: Dral, Pavlo O., et al.
Veröffentlicht: (2023)

DMRG-tailored coupled cluster method in the 4c-relativistic domain: General implementation and application to the NUHFI and NUF$_3$ molecules
von: Višňák, Jakub, et al.
Veröffentlicht: (2024)

Artificial Intelligence for Direct Prediction of Molecular Dynamics Across Chemical Space
von: Ge, Fuchun, et al.
Veröffentlicht: (2025)

QD3SET-1: A Database with Quantum Dissipative Dynamics Data Sets
von: Ullah, Arif, et al.
Veröffentlicht: (2023)

Physics-informed active learning for accelerating quantum chemical simulations
von: Hou, Yi-Fan, et al.
Veröffentlicht: (2024)

AI-enhanced on-the-fly simulation of nonlinear time-resolved spectra
von: Pios, Sebastian V., et al.
Veröffentlicht: (2024)

The Quantum Measurement Problem: A Review of Recent Trends
von: Tomaz, Anderson A., et al.
Veröffentlicht: (2025)

Ehrenfest Dynamics with Spontaneous Localization
von: Tomaz, Anderson A., et al.
Veröffentlicht: (2025)

Prediction Challenge: Simulating Rydberg Photoexcited Cyclobutanone with Surface Hopping Dynamics based on Different Electronic Structure Methods
von: Mukherjee, Saikat, et al.
Veröffentlicht: (2024)

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

Quantum Chemical and Trajectory Surface Hopping Molecular Dynamics Study of Iodine‐Based BODIPY Photosensitizer
von: Mirza Wasif Baig, et al.
Veröffentlicht: (2025)

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

Combining Hammett $σ$ constants for $Δ$-machine learning and catalyst discovery
von: Rakotonirina, V. Diana, et al.
Veröffentlicht: (2024)

From short-sighted to far-sighted: A comparative study of recursive machine learning approaches for open quantum systems
von: Ullah, Arif
Veröffentlicht: (2025)

Physics-informed machine learning for combustion: A review
von: Wu, Jiahao, et al.
Veröffentlicht: (2025)

Aitomia: Your Intelligent Assistant for AI-Driven Atomistic and Quantum Chemical Simulations
von: Hu, Jinming, et al.
Veröffentlicht: (2025)

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

Alchemical harmonic approximation based potential for iso-electronic diatomics: Foundational baseline for $Δ$-machine learning
von: Krug, Simon León, et al.
Veröffentlicht: (2024)

Global properties of the energy landscape: a testing and training arena for machine learned potentials
von: Cărare, Vlad, et al.
Veröffentlicht: (2025)

Permutationally invariant polynomial regression for energies and gradients, using reverse differentiation, achieves orders of magnitude speed-up with high precision compared to other machine learning methods
von: Houston, Paul L., et al.
Veröffentlicht: (2021)

A Vector-Based Algorithm for Generating Complete Balanced Reaction Sets with Arbitrary Numbers of Reagents
von: Yilmaz, Nataliia, et al.
Veröffentlicht: (2025)

Accelerating point defect simulations using data-driven and machine learning approaches
von: Mannodi-Kanakkithodi, Arun, et al.
Veröffentlicht: (2026)

Mimyria: Machine learned vibrational spectroscopy for aqueous systems made simple
von: Schienbein, Philipp
Veröffentlicht: (2026)

Quantum-centric machine learning for molecular dynamics
von: Tao, Yanxian, et al.
Veröffentlicht: (2025)

Prediction of CO2 reduction reaction intermediates and products on transition metal-doped r-GeSe monolayers:A combined DFT and machine learning approach
von: Kang, Xuxin, et al.
Veröffentlicht: (2025)

Fast and flexible long-range models for atomistic machine learning
von: Loche, Philip, et al.
Veröffentlicht: (2024)

Metatensor and metatomic: foundational libraries for interoperable atomistic machine learning
von: Bigi, Filippo, et al.
Veröffentlicht: (2025)

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