Buchumschlag

Alchemical harmonic approximation based potential for iso-electronic diatomics: Foundational baseline for $Δ$-machine learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Krug, Simon León, Khan, Danish, von Lilienfeld, O. Anatole
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

Alchemical insights into approximately quadratic energies of iso-electronic atoms
von: Krug, Simon León, et al.
Veröffentlicht: (2024)

The Alchemical Integral Transform revisited
von: Krug, Simon León, et al.
Veröffentlicht: (2023)

Alchemical geometry relaxation
von: Domenichini, Giorgio, et al.
Veröffentlicht: (2022)

Alchemical diastereomers from antisymmetric alchemical perturbations
von: von Lilienfeld, O. Anatole, et al.
Veröffentlicht: (2023)

Generalized convolutional many body distribution functional representations
von: Khan, Danish, et al.
Veröffentlicht: (2024)

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

Adaptive atomic basis sets
von: Khan, Danish, et al.
Veröffentlicht: (2024)

Antisymmetry rules of response properties in certain chemical spaces
von: Shiraogawa, Takafumi, et al.
Veröffentlicht: (2025)

Hammett-Inspired Product Baseline for Data-efficient $Δ$-ML in Chemical Space
von: Rakotonirina, V. Diana, et al.
Veröffentlicht: (2023)

Quantum mechanical dataset of 836k neutral closed shell molecules with upto 5 heavy atoms from CNOFSiPSClBr
von: Khan, Danish, et al.
Veröffentlicht: (2024)

Adaptive hybrid density functionals
von: Khan, Danish, et al.
Veröffentlicht: (2024)

Wasserstein metric for improved QML with adjacency matrix representations
von: Çaylak, Onur, et al.
Veröffentlicht: (2020)

Data-Error Scaling Laws in Machine Learning on Combinatorial Mutation-prone Sets: Proteins and Small Molecules
von: Doffini, Vanni, et al.
Veröffentlicht: (2024)

Approximate Label Symmetries Improve Data Scaling
von: Kim, Scott Y. H., et al.
Veröffentlicht: (2026)

Thawed Gaussian wavepacket dynamics with $Δ$-machine learned potentials
von: Gherib, Rami, et al.
Veröffentlicht: (2024)

Calculated state-of-the art results for solvation and ionization energies of thousands of organic molecules relevant to battery design
von: Weinreich, Jan, et al.
Veröffentlicht: (2024)

Reducing Training Data Needs with Minimal Multilevel Machine Learning (M3L)
von: Heinen, Stefan, et al.
Veröffentlicht: (2023)

Low-rank matrix and tensor approximations for compression of machine-learning interatomic potentials
von: Vorotnikov, Igor, et al.
Veröffentlicht: (2025)

Potential Distribution Theory of Alchemical Transfer
von: Azimi, Solmaz, et al.
Veröffentlicht: (2024)

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

Quantum-Centric Alchemical Free Energy Calculations
von: Bazayeva, Milana, et al.
Veröffentlicht: (2025)

Bridging electronic and classical density-functional theory using universal machine-learned functional approximations
von: Kelley, Michelle M., et al.
Veröffentlicht: (2024)

A general formalism for machine-learning models based on multipolar-spherical harmonics
von: Domina, Michelangelo, et al.
Veröffentlicht: (2025)

General Quantum Alchemical Free Energy Simulations via Hamiltonian Interpolation
von: Li, Chenghan, et al.
Veröffentlicht: (2024)

Gradient-Guided Furthest Point Sampling for Robust Training Set Selection
von: Trestman, Morris, et al.
Veröffentlicht: (2025)

Non-linear and non-empirical double hybrid density functional
von: Khan, Danish
Veröffentlicht: (2025)

Binding Selectivity Analysis from Alchemical Receptor Hopping and Swapping Free Energy Calculations
von: Azimi, Solmaz, et al.
Veröffentlicht: (2024)

Lambda-ABF: Simplified, Portable, Accurate and Cost-effective Alchemical Free Energy Computations
von: Lagardère, Louis, et al.
Veröffentlicht: (2023)

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

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

Mitigating error cancellation in density functional approximations via machine learning correction
von: An, Zipeng, et al.
Veröffentlicht: (2025)

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

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

Multiple Topology Replica Exchange of Expanded Ensembles (MT-REXEE) for Multidimensional Alchemical Calculations
von: Friedman, Anika J., et al.
Veröffentlicht: (2024)

Random sampling versus active learning algorithms for machine learning potentials of quantum liquid water
von: Stolte, Nore, et al.
Veröffentlicht: (2024)

Lambda-ABF-OPES: Faster Convergence with High Accuracy in Alchemical Free Energy Calculations
von: Ansari, Narjes, et al.
Veröffentlicht: (2025)

Benchmarking of machine learning interatomic potentials for reactive hydrogen dynamics at metal surfaces
von: Stark, Wojciech G., et al.
Veröffentlicht: (2024)

Monomeric machine learning potential for general covalent molecules: linear alkanes as an example
von: Li, Xinze, et al.
Veröffentlicht: (2026)

Relative Binding Free Energy Estimation of Congeneric Ligands and Macromolecular Mutants with the Alchemical Transfer with Coordinate Swapping Method
von: Gallicchio, Emilio
Veröffentlicht: (2024)

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