Buchumschlag

Introduction to machine learning potentials for atomistic simulations

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Thiemann, Fabian L., O'Neill, Niamh, Kapil, Venkat, Michaelides, Angelos, Schran, Christoph
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

To Pair or not to Pair? Machine-Learned Explicitly-Correlated Electronic Structure for NaCl in Water
von: O'Neill, Niamh, et al.
Veröffentlicht: (2023)

CO2 Hydration at the Air-Water Interface: A Surface-Mediated 'In and Out' Mechanism
von: Brookes, Samuel G. H., et al.
Veröffentlicht: (2025)

The Wetting of H$_2$O by CO$_2$
von: Brookes, Samuel G. H., et al.
Veröffentlicht: (2024)

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

When Is Nanoconfined Water Different From Interfacial Water?
von: Advincula, Xavier R., et al.
Veröffentlicht: (2025)

Towards Routine Condensed Phase Simulations with Delta-Learned Coupled Cluster Accuracy: Application to Liquid Water
von: O'Neill, Niamh, et al.
Veröffentlicht: (2025)

Nanoconfined superionic water is a molecular superionic
von: Coles, Samuel W., et al.
Veröffentlicht: (2025)

Cutting Through the Noise: On-the-fly Outlier Detection for Robust Training of Machine Learning Interatomic Potentials
von: Lam, Terry C. W., et al.
Veröffentlicht: (2026)

From Accurate Quantum Chemistry to Converged Thermodynamics for Ion Pairing in Solution
von: O'Neill, Niamh, et al.
Veröffentlicht: (2026)

Protons accumulate at the graphene-water interface
von: Advincula, Xavier R., et al.
Veröffentlicht: (2024)

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

Benchmarking short-range machine learning potentials for atomistic simulations of metal/electrolyte interfaces
von: de Kam, Lucas B. T., et al.
Veröffentlicht: (2026)

Multi-head committees enable direct uncertainty prediction for atomistic foundation models
von: Beck, Hubert, et al.
Veröffentlicht: (2025)

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

Harmonic-to-anharmonic thermodynamic integration made simple using REG TI
von: Kapil, Venkat
Veröffentlicht: (2026)

Breaking the Air-Water Paradigm: Ion Behavior at Hydrophobic Solid-Water Interfaces
von: Advincula, Xavier R., et al.
Veröffentlicht: (2025)

How reactive is water at the nanoscale and how to control it?
von: Advincula, Xavier R., et al.
Veröffentlicht: (2025)

Entropy governs the structure and reactivity of water dissociation under electric fields
von: Litman, Yair, et al.
Veröffentlicht: (2025)

An accurate and efficient framework for modelling the surface chemistry of ionic materials
von: Shi, Benjamin X., et al.
Veröffentlicht: (2024)

How reproducible are first-principles simulations of liquid water?
von: ONeill, Niamh, et al.
Veröffentlicht: (2026)

Mechanisms for the Formation of Active Sites in Single-Atom Alloys
von: Karageorgiou, Ioannis, et al.
Veröffentlicht: (2025)

How Accurate Are DFT Forces? Unexpectedly Large Uncertainties in Molecular Datasets
von: Kuryla, Domantas, et al.
Veröffentlicht: (2025)

Quasi-one-dimensional hydrogen bonding in nanoconfined ice
von: Ravindra, Pavan, et al.
Veröffentlicht: (2023)

Fast and flexible long-range models for atomistic machine learning
von: Loche, Philip, et al.
Veröffentlicht: (2024)

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

Effective classical potential for quantum statistical averages
von: Sadhasivam, Vijay Ganesh, et al.
Veröffentlicht: (2026)

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

How accurate are simulations and experiments for the lattice energies of molecular crystals?
von: Della Pia, Flaviano, et al.
Veröffentlicht: (2024)

i-PI 3.0: a flexible and efficient framework for advanced atomistic simulations
von: Litman, Yair, et al.
Veröffentlicht: (2024)

Efficient first-principles modeling of complex molecular crystals at sub-chemical accuracy
von: Shi, Benjamin X., et al.
Veröffentlicht: (2026)

A foundation model for atomistic materials chemistry
von: Batatia, Ilyes, et al.
Veröffentlicht: (2023)

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

How Crystalline is Low-Density Amorphous Ice?
von: Davies, Michael Benedict, et al.
Veröffentlicht: (2023)

Data-efficient fine-tuning of foundational models for first-principles quality sublimation enthalpies
von: Kaur, Harveen, et al.
Veröffentlicht: (2024)

Machine learning electronic structure and atomistic properties from the external potential
von: Nigam, Jigyasa, et al.
Veröffentlicht: (2026)

The first-principles phase diagram of monolayer nanoconfined water
von: Kapil, Venkat, et al.
Veröffentlicht: (2021)

High-quality, high-information datasets for universal atomistic machine learning
von: Malosso, Cesare, et al.
Veröffentlicht: (2026)

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

Accurate and efficient machine learning interatomic potentials for finite temperature modeling of molecular crystals
von: Della Pia, Flaviano, et al.
Veröffentlicht: (2025)

Model selection in atomistic simulation
von: Moussa, Jonathan E.
Veröffentlicht: (2023)