:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhu, Jia-Xin, Cheng, Jun
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Chemical Physics
Online-Zugang:	https://arxiv.org/abs/2407.17740
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Beyond Dielectrics: Interfacial Water Polarization Governs Graphene-Based Electrochemical Interfaces
von: Wang, Peiyao, et al.
Veröffentlicht: (2024)

Fragment-Constrained Charge Equilibration for Charge-Aware Machine Learning Potentials at Electrochemical Interfaces
von: Peeketi, Akhil Reddy, et al.
Veröffentlicht: (2026)

Electrochemical Interfaces at Constant Potential: Data-Efficient Transfer Learning for Machine-Learning-Based Molecular Dynamics
von: Bianchi, Michele Giovanni, et al.
Veröffentlicht: (2025)

Macro-Dipole-Constrainted Learning of Atomic Charges for Accurate Electrostatic Potentials at Electrochemical Interfaces
von: Yang, Jing, et al.
Veröffentlicht: (2025)

Atomistic Simulations of Oxide-Water Interfaces using Machine Learning Potentials
von: Elsner, Jan, et al.
Veröffentlicht: (2025)

Enhanced Representation-Based Sampling for the Efficient Generation of Datasets for Machine-Learned Interatomic Potentials
von: Schäfer, Moritz René, et al.
Veröffentlicht: (2026)

Determining the Dielectric Constant of Solid/Liquid Interfaces
von: Dadashi, Somaiyeh, et al.
Veröffentlicht: (2024)

Machine-Learned Potentials for Solvation Modeling
von: Banchode, Roopshree, et al.
Veröffentlicht: (2025)

Quantum Machine Learning of Molecular Energies with Hybrid Quantum-Neural Wavefunction
von: Li, Weitang, et al.
Veröffentlicht: (2025)

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

HORM: A Large Scale Molecular Hessian Database for Optimizing Reactive Machine Learning Interatomic Potentials
von: Cui, Taoyong, et al.
Veröffentlicht: (2025)

DeePMD-kit v3: A Multiple-Backend Framework for Machine Learning Potentials
von: Zeng, Jinzhe, et al.
Veröffentlicht: (2025)

Hybrid Quantum--Classical Machine Learning Potential with Variational Quantum Circuits
von: Willow, Soohaeng Yoo, et al.
Veröffentlicht: (2025)

Transferability of datasets between Machine-Learning Interaction Potentials
von: Niblett, Samuel P., et al.
Veröffentlicht: (2024)

Flexible Uncertainty Calibration for Machine-Learned Interatomic Potentials
von: Ho, Cheuk Hin, et al.
Veröffentlicht: (2025)

Understanding the Density Maximum of Water with Machine Learned Potentials
von: Song, Yizhi, et al.
Veröffentlicht: (2026)

The Evolution of Machine Learning Potentials for Molecules, Reactions and Materials
von: Xia, Junfan, et al.
Veröffentlicht: (2025)

No Headache for PIPs: A PIP Potential for Aspirin Outperforms Other Machine-Learned Potentials
von: Houston, Paul L., et al.
Veröffentlicht: (2024)

Colossal Dielectric Response and Electric Polarization in Lithium Nitrate
von: Du, Na, et al.
Veröffentlicht: (2025)

Fidelity of Machine Learned Potentials: Quantitative Assessment for Protonated Oxalate
von: Qu, Chen, et al.
Veröffentlicht: (2026)

Machine Learning-Aided First-Principles Calculations of Redox Potentials
von: Jinnouchi, Ryosuke, et al.
Veröffentlicht: (2023)

MLIPAudit: A benchmarking tool for Machine Learned Interatomic Potentials
von: Wehrhan, Leon, et al.
Veröffentlicht: (2025)

Does Hessian Data Improve the Performance of Machine Learning Potentials?
von: Rodriguez, Austin, et al.
Veröffentlicht: (2025)

Explicit, Machine-Learned Two-Body Potentials for Molecular Simulations
von: Chaton, Kham Lek, et al.
Veröffentlicht: (2026)

False Metallization in Short-Ranged Machine Learned Interatomic Potentials
von: Parker, Isaac J., et al.
Veröffentlicht: (2026)

Resolving the Body-Order Paradox of Machine Learning Interatomic Potentials
von: Chong, Sanggyu, et al.
Veröffentlicht: (2025)

Machine Learning Potentials for Heterogeneous Catalysis
von: Omranpour, Amir, et al.
Veröffentlicht: (2024)

Chemical Interface Damping by Electrochemical Gold Oxidation
von: Pfeiffer, Maurice, et al.
Veröffentlicht: (2024)

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

"Gold-Standard" $Δ$-Machine Learned and Transferable Potential for Linear Alkanes
von: Qu, Chen, et al.
Veröffentlicht: (2025)

Accuracy and Efficiency Benchmarks of Pretrained Machine Learning Potentials for Molecular Simulations
von: Eastman, Peter, et al.
Veröffentlicht: (2026)

Machine-Learned Electrostatic Potentials for Accurate Hydration Free Energy Calculations
von: Hilfiker, Mathias, et al.
Veröffentlicht: (2025)

DFT Accuracy on Crystal Structure Prediction with Machine Learning Interatomic Potentials
von: Midgley, Laurence I., et al.
Veröffentlicht: (2026)

Providing Machine Learning Potentials with High Quality Uncertainty Estimates
von: Sumer, Zeynep, et al.
Veröffentlicht: (2025)

Lifelong Machine Learning Potentials for Chemical Reaction Network Explorations
von: Eckhoff, Marco, et al.
Veröffentlicht: (2025)

Ab Initio Melting Properties of Water and Ice from Machine Learning Potentials
von: Li, Yifan, et al.
Veröffentlicht: (2025)

Node-Equivariant Message Passing for Efficient and Accurate Machine Learning Interatomic Potentials
von: Zhang, Yaolong, et al.
Veröffentlicht: (2025)

Apax: A Flexible and Performant Framework For The Development of Machine-Learned Interatomic Potentials
von: Schäfer, Moritz René, et al.
Veröffentlicht: (2025)

Developing a Machine-Learning Interatomic Potential for Non-Covalent Interactions in Proteins
von: Zeng, Lejia, et al.
Veröffentlicht: (2026)

Reliable and Efficient Automated Transition-State Searches with Machine-Learned Interatomic Potentials
von: Marks, Jonah, et al.
Veröffentlicht: (2026)