Buchumschlag

Machine learning potentials for redox chemistry in solution

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Kocer, Emir, Haouari, Redouan El, Dellago, Christoph, Behler, Jörg
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

Impact of the damping function in dispersion-corrected density functional theory on the properties of liquid water
von: Lausch, K. Nikolas, et al.
Veröffentlicht: (2025)

Perspective: Atomistic Simulations of Water and Aqueous Systems with Machine Learning Potentials
von: Omranpour, Amir, et al.
Veröffentlicht: (2024)

Ab initio thermodynamics of liquid and solid water
von: Cheng, Bingqing, et al.
Veröffentlicht: (2018)

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

Free energy profiles for chemical reactions in solution from high-dimensional neural network potentials: The case of the Strecker synthesis
von: Tokita, Alea Miako, et al.
Veröffentlicht: (2025)

Molecular Hessian matrices from a machine learning random forest regression algorithm
von: Domenichini, Giorgio, et al.
Veröffentlicht: (2023)

Molecular Dynamics Simulations of $γ$-Belite(010)-Water Interfaces with High-Dimensional Neural Network Potentials
von: Prus, Bernadeta, et al.
Veröffentlicht: (2025)

Insights into the Structure and Dynamics of Water at Co$_3$O$_4$(001) Using a High-Dimensional Neural Network Potential
von: Omranpour, Amir, et al.
Veröffentlicht: (2025)

Atomistic Simulations of Oxide-Water Interfaces using Machine Learning Potentials
von: Elsner, Jan, et al.
Veröffentlicht: (2025)

Benchmarking foundation potentials against quantum chemistry methods for predicting molecular redox potentials
von: Chen, Yicheng, et al.
Veröffentlicht: (2025)

Machine Learning Potentials for Heterogeneous Catalysis
von: Omranpour, Amir, et al.
Veröffentlicht: (2024)

Unsupervised identification of crystal defects from atomistic potential descriptors
von: Kývala, Lukáš, et al.
Veröffentlicht: (2024)

Computation of the heat capacity of water from first principles
von: Shiga, Motoyuki, et al.
Veröffentlicht: (2025)

Accuracy of Charge Densities in Electronic Structure Calculations
von: Gubler, Moritz, et al.
Veröffentlicht: (2024)

Nuclear Quantum Effects in Liquid Water Are Negligible for Structure but Significant for Dynamics
von: Stolte, Nore, et al.
Veröffentlicht: (2024)

Absolute standard hydrogen electrode potential and redox potentials of atoms and molecules: machine learning aided first principles calculations
von: Jinnouchi, Ryosuke, et al.
Veröffentlicht: (2024)

Hydrogen Bond Topology Reveals Layering of LDL-like and HDL-like Water at its Liquid/Vapor Interface
von: Jedlovszky, Pal, et al.
Veröffentlicht: (2025)

Iterative charge equilibration for fourth-generation high-dimensional neural network potentials
von: Kocer, Emir, et al.
Veröffentlicht: (2025)

Electrochemical CO2 capture with pH-independent redox chemistry
von: Kim, Sang Cheol, et al.
Veröffentlicht: (2025)

Structure and dynamics of the magnetite(001)/water interface from molecular dynamics simulations based on a neural network potential
von: Romano, Salvatore, et al.
Veröffentlicht: (2024)

Comparing the Mechanical and Thermodynamic Definitions of Pressure in Ice Nucleation
von: de Hijes, Pablo Montero, et al.
Veröffentlicht: (2025)

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

NATPS: Nonadiabatic Transition Path Sampling Using Time-Reversible MASH Dynamics
von: Yang, Xiran, et al.
Veröffentlicht: (2026)

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

Machine learned potential for defected single layer hexagonal boron nitride
von: Janisch, John, et al.
Veröffentlicht: (2025)

Machine learning interatomic potential can infer electrical response
von: Zhong, Peichen, et al.
Veröffentlicht: (2025)

Oxygen redox in battery cathodes: A brief overview
von: Assadi, M. Hussein N., et al.
Veröffentlicht: (2024)

Structure of the water/magnetite interface from sum frequency generation experiments and neural network based molecular dynamics simulations
von: Romano, Salvatore, et al.
Veröffentlicht: (2024)

Exploring the design space of machine-learning models for quantum chemistry with a fully differentiable framework
von: Suman, Divya, 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)

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

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

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

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

Machine learning surrogate models for particle insertions and element substitutions
von: Jinnouchi, Ryosuke
Veröffentlicht: (2024)

Looping metal-support interaction in heterogeneous catalysts during redox reactions
von: Pan, Yue, et al.
Veröffentlicht: (2025)

Surface potentials of conductors in electrolyte solutions
von: Vinogradova, Olga I., et al.
Veröffentlicht: (2024)

Mapping electrostatic potential in electrolyte solution
von: Huang, Bo, et al.
Veröffentlicht: (2023)

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

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