Buchumschlag

Descriptors-free Collective Variables From Geometric Graph Neural Networks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhang, Jintu, Bonati, Luigi, Trizio, Enrico, Zhang, Odin, Kang, Yu, Hou, TingJun, Parrinello, Michele
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Computational Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Committors without Descriptors
von: Kang, Peilin, et al.
Veröffentlicht: (2025)

Combining transition path sampling with data-driven collective variables through a reactivity-biased shooting algorithm
von: Zhang, Jintu, et al.
Veröffentlicht: (2024)

From enhanced sampling to reaction profiles
von: Trizio, Enrico, et al.
Veröffentlicht: (2021)

Advanced simulations with PLUMED: OPES and Machine Learning Collective Variables
von: Trizio, Enrico, et al.
Veröffentlicht: (2024)

Everything everywhere all at once: a probability-based enhanced sampling approach to rare events
von: Trizio, Enrico, et al.
Veröffentlicht: (2024)

Computing the Committor with the Committor: an Anatomy of the Transition State Ensemble
von: Kang, Peilin, et al.
Veröffentlicht: (2024)

Enhanced Sampling in the Age of Machine Learning: Algorithms and Applications
von: Zhu, Kai, et al.
Veröffentlicht: (2025)

Ceci n'est pas un committor, yet it samples like one: efficient sampling via approximated committor functions
von: Trizio, Enrico, et al.
Veröffentlicht: (2026)

Structure and polymerization of liquid sulfur across the $λ$-transition
von: Yang, Manyi, et al.
Veröffentlicht: (2023)

Transfer learning for atomistic simulations using GNNs and kernel mean embeddings
von: Falk, John, et al.
Veröffentlicht: (2023)

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

Effective Data-Driven Collective Variables for Free Energy Calculations from Metadynamics of Paths
von: Müllender, Lukas, et al.
Veröffentlicht: (2023)

Fast and Fourier Features for Transfer Learning of Interatomic Potentials
von: Novelli, Pietro, et al.
Veröffentlicht: (2025)

Unraveling the Crystallization Kinetics of the Ge$_2$Sb$_2$Te$_5$ Phase Change Compound with a Machine-Learned Interatomic Potential
von: Kheir, Omar Abou El, et al.
Veröffentlicht: (2023)

A modified nudged elastic band algorithm with adaptive spring lengths
von: Mandelli, Davide, et al.
Veröffentlicht: (2021)

Weighted Active Space Protocol for Multireference Machine-Learned Potentials
von: Seal, Aniruddha, et al.
Veröffentlicht: (2025)

From Biased to Unbiased Dynamics: An Infinitesimal Generator Approach
von: Devergne, Timothée, et al.
Veröffentlicht: (2024)

Deep learning path-like collective variable for enhanced sampling molecular dynamics
von: Fröhlking, Thorben, et al.
Veröffentlicht: (2024)

The role of fluctuations in the nucleation process
von: Deng, Yuanpeng, et al.
Veröffentlicht: (2025)

Intramolecular and water mediated tautomerism of solvated glycine
von: Zhang, Pengchao, et al.
Veröffentlicht: (2023)

The seeds of the future are in the present: A blind exploration of metastable states
von: Devergne, Timothée, et al.
Veröffentlicht: (2025)

Impact of Local Descriptors Derived from Machine Learning Potentials in Graph Neural Networks for Molecular Property Prediction
von: Uchiyama, Ryoichi, et al.
Veröffentlicht: (2026)

Quantum-Inspired Analysis of Neural Network Vulnerabilities: The Role of Conjugate Variables in System Attacks
von: Zhang, Jun-Jie, et al.
Veröffentlicht: (2024)

Three-dimensional monopole-free CP$^{N-1}$ models: Behavior in the presence of a quartic potential
von: Bonati, Claudio, et al.
Veröffentlicht: (2022)

Scaling Graph Neural Networks to Large Proteins
von: Airas, Justin, et al.
Veröffentlicht: (2024)

Graph Neural Networks in Modern AI-aided Drug Discovery
von: Zhang, Odin, et al.
Veröffentlicht: (2025)

Guided Graph Compression for Quantum Graph Neural Networks
von: Casals, Mikel, et al.
Veröffentlicht: (2025)

From Reachability to Learnability: Geometric Design Principles for Quantum Neural Networks
von: Ngairangbam, Vishal S., et al.
Veröffentlicht: (2026)

Graph-based Descriptors for Condensed Matter
von: Wang, An, et al.
Veröffentlicht: (2024)

Effective string description of the reconfined phase in the trace deformed $\mathrm{SU}(2)$ Yang-Mills theory in (2+1) dimensions
von: Bonati, Caludio, et al.
Veröffentlicht: (2025)

Deep Geometry Handling and Fragment-wise Molecular 3D Graph Generation
von: Zhang, Odin, et al.
Veröffentlicht: (2024)

Stability of universal properties against perturbations of the Markov Chain Monte Carlo algorithm
von: Bacci, Matteo, et al.
Veröffentlicht: (2025)

Negativity Percolation in Continuous-Variable Quantum Networks
von: Zhao, Yaqi, et al.
Veröffentlicht: (2025)

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

NuGraph2 with Explainability: Post-hoc Explanations for Geometric Neural Network Predictions
von: Voetberg, Margaret, et al.
Veröffentlicht: (2025)

A Scalable and Quantum-Accurate Foundation Model for Biomolecular Force Field via Linearly Tensorized Quadrangle Attention
von: Su, Qun, et al.
Veröffentlicht: (2025)

Hardware-Aware Quantum Kernel Design Based on Graph Neural Networks
von: Meng, Fanxu, et al.
Veröffentlicht: (2025)

A Study on Quantum Graph Neural Networks Applied to Molecular Physics
von: Piperno, Simone, et al.
Veröffentlicht: (2024)

Material Hardness Descriptor Derived by Symbolic Regression
von: Tantardini, Christian, et al.
Veröffentlicht: (2023)

Learning Interpretable Collective Variables for Spreading Processes on Networks
von: Lücke, Marvin, et al.
Veröffentlicht: (2023)