Buchumschlag

Propellant Discovery For Electrospray Thrusters Using Machine Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Bendimerad, Rafid, Petro, Elaine
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

Ab initio Simulations of EMI-BF4 Neutral-Surface Interactions in Electrospray Thrusters
von: Laws, Nicholas, et al.
Veröffentlicht: (2025)

Charge emissions from Electrosprays in vacuum: mixtures of formamide with methylammonium formate
von: Garoz, David, et al.
Veröffentlicht: (2024)

A Machine Learning and Explainable AI Framework Tailored for Unbalanced Experimental Catalyst Discovery
von: Semnani, Parastoo, et al.
Veröffentlicht: (2024)

Accelerating Complex Materials Discovery with Universal Machine-Learning Potential-Driven Structure Prediction
von: An, Yuqi, et al.
Veröffentlicht: (2026)

Machine Learning Accelerated Descriptor Design for Catalyst Discovery in CO$_2$ to Methanol Conversion
von: Pisal, Prajwal, et al.
Veröffentlicht: (2024)

On the Two-Dimensional Structure and Asymmetries of Ionic Liquid Electrospray Plumes
von: Ulibarri, Zach, et al.
Veröffentlicht: (2026)

The Convergence Frontier: Integrating Machine Learning and High Performance Quantum Computing for Next-Generation Drug Discovery
von: Ansari, Narjes, et al.
Veröffentlicht: (2026)

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

Machine Learning Wavefunction
von: Battaglia, Stefano
Veröffentlicht: (2022)

Optimized Multifidelity Machine Learning for Quantum Chemistry
von: Vinod, Vivin, et al.
Veröffentlicht: (2023)

Probing the Temporal Response of Liquid Water to a THz Pump Pulse Using Machine Learning-Accelerated Non-Equilibrium Molecular Dynamics
von: Joll, Kit, et al.
Veröffentlicht: (2025)

Data-Efficient Active Learning Discovery of Transition Metal Photosensitizers for Type I Photodynamic Therapy
von: Fallani, Alessio, et al.
Veröffentlicht: (2026)

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)

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

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

A Transferable Machine-Learning Model of the Electron Density
von: Grisafi, Andrea, et al.
Veröffentlicht: (2018)

High-Accuracy Physical Property Prediction for Organics via Molecular Representation Learning: Bridging Data to Discovery
von: Ou, Qi, et al.
Veröffentlicht: (2025)

Predicting Chemical Reaction Outcomes Based on Electron Movements Using Machine Learning
von: Chen, Shuan, et al.
Veröffentlicht: (2025)

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

Guest Editorial: Special Topic on Software for Atomistic Machine Learning
von: Rupp, Matthias, et al.
Veröffentlicht: (2024)

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)

Efficient Machine Learning Approach for Yield Prediction in Chemical Reactions
von: Ghosh, Supratim, et al.
Veröffentlicht: (2025)

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

Machine Learning Framework for Modeling Exciton-Polaritons in Molecular Materials
von: Li, Xinyang, et al.
Veröffentlicht: (2023)

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)

VPT2 Calculations of Vibrational Energies of CH3COOC6H4COOH Done in Seconds on a Laptop Using a Machine Learned Potential
von: Kotaru, Saikiran, et al.
Veröffentlicht: (2026)

Machine Learning Potential for Electrochemical Interfaces with Hybrid Representation of Dielectric Response
von: Zhu, Jia-Xin, et al.
Veröffentlicht: (2024)

Fault-tolerant Quantum Chemical Calculations with Improved Machine-Learning Models
von: Yuan, Kai, et al.
Veröffentlicht: (2024)

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

Addressing the Band Gap Problem with a Machine-Learned Exchange Functional
von: Bystrom, Kyle, et al.
Veröffentlicht: (2024)

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

Construction of Chemistry Inspired Dynamic Ansatz Utilizing Generative Machine Learning
von: Halder, Sonaldeep, 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 Leftmost Hessian Eigenvectors for Robust Transition State Finding
von: Wu, Guanchen, et al.
Veröffentlicht: (2026)