Buchumschlag

Accurate and efficient structure elucidation from routine one-dimensional NMR spectra using multitask machine learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Hu, Frank, Chen, Michael S., Rotskoff, Grant M., Kanan, Matthew W., Markland, Thomas E.
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

Pushing the limits of one-dimensional NMR spectroscopy for automated structure elucidation using artificial intelligence
von: Hu, Frank, et al.
Veröffentlicht: (2025)

Two-dimensional electronic spectra from trajectory-based dynamics: pure-state Ehrenfest, spin-mapping, and mean classical path approaches
von: Lieberherr, Annina Z., et al.
Veröffentlicht: (2025)

Scaling Transferable Coarse-graining with Mean Force Matching
von: Park, Abigail, et al.
Veröffentlicht: (2026)

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

Committor guided estimates of molecular transition rates
von: Mitchell, Andrew R., et al.
Veröffentlicht: (2024)

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

Aligning Transformers with Continuous Feedback via Energy Rank Alignment
von: Chennakesavalu, Shriram, et al.
Veröffentlicht: (2024)

Two-dimensional electronic spectroscopy in the condensed phase using equivariant transformer accelerated molecular dynamics simulations
von: Kelly, Joseph, et al.
Veröffentlicht: (2025)

NMR spectra
von: Michon, Marine, et al.
Veröffentlicht: (2025)

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

Path Integral Methods in Atomistic Modelling: An Introduction
von: Ceriotti, Michele, et al.
Veröffentlicht: (2026)

An Accurate Tensorial Model for Prediction of Full Zeolite NMR Spectra
von: Bornes, Carlos, et al.
Veröffentlicht: (2026)

Accurate nuclear quantum statistics on machine-learned classical effective potentials
von: Zaporozhets, Iryna, et al.
Veröffentlicht: (2024)

Nutmeg and SPICE: Models and Data for Biomolecular Machine Learning
von: Eastman, Peter, et al.
Veröffentlicht: (2024)

Local thermal probe in a one-dimensional chain: An efficient dissipaton-based approach
von: Qi, Hao-Yang, et al.
Veröffentlicht: (2026)

Enhancing Protein-Ligand Binding Affinity Predictions using Neural Network Potentials
von: Zariquiey, Francesc Sabanes, et al.
Veröffentlicht: (2024)

Accurate estimation of polyethylene glycol density via machine‐learning based techniques
von: Farag M. A. Altalbawy, et al.
Veröffentlicht: (2025)

Controlling rotationally-resolved two-dimensional infrared spectra with polarization
von: Kowzan, Grzegorz, et al.
Veröffentlicht: (2022)

Teacher-student training improves accuracy and efficiency of machine learning interatomic potentials
von: Matin, Sakib, et al.
Veröffentlicht: (2025)

Structural bias in three-dimensional autoregressive generative machine learning of organic molecules
von: Koczor-Benda, Zsuzsanna, et al.
Veröffentlicht: (2025)

Constructing accurate and efficient general-purpose atomistic machine learning model with transferable accuracy for quantum chemistry
von: Chen, Yicheng, et al.
Veröffentlicht: (2024)

Vib2Mol: from vibrational spectra to molecular structures-a unified deep learning framework
von: Lu, Xinyu, et al.
Veröffentlicht: (2025)

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

Constructing accurate machine-learned potentials and performing highly efficient atomistic simulations to predict structural and thermal properties
von: Liu, Junlan, et al.
Veröffentlicht: (2024)

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

Exploiting correlations in multi-coincidence Coulomb explosion patterns for differentiating molecular structures using machine learning
von: Venkatachalam, Anbu Selvam, et al.
Veröffentlicht: (2025)

Water structuring at stacked graphene interfaces unveiled by machine-learning molecular dynamics
von: Hou, Dianwei, et al.
Veröffentlicht: (2025)

Development of machine-learned interatomic potentials to predict structure, transport, and reactivity in platinum-based fuel cells
von: Fazel, Kamron, et al.
Veröffentlicht: (2025)

Using machine learning to map simulated noisy and laser-limited multidimensional spectra to molecular electronic couplings
von: Schultz, Jonathan D., et al.
Veröffentlicht: (2025)

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

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

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

Overcoming sampling limitations using machine-learned interatomic potentials: the case of water-in-salt electrolytes
von: Brugnoli, Luca, et al.
Veröffentlicht: (2026)

Non-Clifford diagonalization for measurement shot reduction in quantum expectation value estimation
von: Sawaya, Nicolas P. D., et al.
Veröffentlicht: (2024)

Single-Crystal NMR for 17O in Alanine Enantiomers
von: Agarwal, Shiva, et al.
Veröffentlicht: (2025)

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

High-sensitivity multichannel zero-to-ultralow field NMR with atomic magnetometer arrays
von: Andrews, Blake, et al.
Veröffentlicht: (2024)

More converged, less accurate? Reassessing standard choices for ab initio water using machine learning potentials
von: Beck, Hubert, et al.
Veröffentlicht: (2026)

Accelerating molecular vibrational spectra simulations with a physically informed deep learning model
von: Chen, Yuzhuo, et al.
Veröffentlicht: (2024)

Reaction dynamics of lithium-mediated electrolyte decomposition using machine learning potentials
von: Kundu, Sohang, et al.
Veröffentlicht: (2025)