Buchumschlag

Pushing the Limits of All-Atom Geometric Graph Neural Networks: Pre-Training, Scaling and Zero-Shot Transfer

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Pengmei, Zihan, Shen, Zhengyuan, Wang, Zichen, Collins, Marcus, Rangwala, Huzefa
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Chemical Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

The Kinetics of Reasoning: How Chain-of-Thought Shapes Learning in Transformers?
von: Pengmei, Zihan, et al.
Veröffentlicht: (2025)

cuGUGA: Operator-Direct Graphical Unitary Group Approach Accelerated with CUDA
von: Pengmei, Zihan
Veröffentlicht: (2026)

Protein Structure Tokenization: Benchmarking and New Recipe
von: Yuan, Xinyu, et al.
Veröffentlicht: (2025)

Beyond MD17: the reactive xxMD dataset
von: Pengmei, Zihan, et al.
Veröffentlicht: (2023)

All-atomistic Transferable Neural Potentials for Protein Solvation
von: Dey, Rishabh, et al.
Veröffentlicht: (2026)

Transferability of Atom-Based Neural Networks
von: Kjeldal, Frederik Ø., et al.
Veröffentlicht: (2024)

Using pretrained graph neural networks with token mixers as geometric featurizers for conformational dynamics
von: Pengmei, Zihan, et al.
Veröffentlicht: (2024)

Thermodynamic Transferability in Coarse-Grained Force Fields using Graph Neural Networks
von: Shinkle, Emily, et al.
Veröffentlicht: (2024)

Technical Report: The Graph Spectral Token -- Enhancing Graph Transformers with Spectral Information
von: Pengmei, Zihan, et al.
Veröffentlicht: (2024)

Zero Shot Molecular Generation via Similarity Kernels
von: Elijošius, Rokas, et al.
Veröffentlicht: (2024)

Analysis of Atom-level pretraining with Quantum Mechanics (QM) data for Graph Neural Networks Molecular property models
von: Arjona-Medina, Jose, et al.
Veröffentlicht: (2024)

Pushing the Accuracy Limit of Foundation Neural Network Models with Quantum Monte Carlo Forces and Path Integrals
von: Benali, Anouar, et al.
Veröffentlicht: (2025)

Graph Neural Networks for Surfactant Multi-Property Prediction
von: Brozos, Christoforos, et al.
Veröffentlicht: (2024)

Assessing the Limits of Graph Neural Networks for Vapor-Liquid Equilibrium Prediction: A Cryogenic Mixture Case Study
von: Gupta, Aryan
Veröffentlicht: (2025)

Predicting the Temperature Dependence of Surfactant CMCs Using Graph Neural Networks
von: Brozos, Christoforos, et al.
Veröffentlicht: (2024)

Predicting the Temperature-Dependent CMC of Surfactant Mixtures with Graph Neural Networks
von: Brozos, Christoforos, et al.
Veröffentlicht: (2024)

Pushing the limits of unconstrained machine-learned interatomic potentials
von: Bigi, Filippo, et al.
Veröffentlicht: (2026)

UAlign: Pushing the Limit of Template-free Retrosynthesis Prediction with Unsupervised SMILES Alignment
von: Zeng, Kaipeng, et al.
Veröffentlicht: (2024)

Graph Neural Networks embedded into Margules model for vapor-liquid equilibria prediction
von: Medina, Edgar Ivan Sanchez, et al.
Veröffentlicht: (2025)

Beyond Force Metrics: Pre-Training MLFFs for Stable MD Simulations
von: Maheshwari, Shagun, et al.
Veröffentlicht: (2025)

Graph Neural Networks for Temperature-Dependent Activity Coefficient Prediction of Solutes in Ionic Liquids
von: Rittig, Jan G., et al.
Veröffentlicht: (2022)

Efficient Transition State Searches by Freezing String Method with Graph Neural Network Potentials
von: Marks, Jonah, et al.
Veröffentlicht: (2025)

Transferable Learning of Reaction Pathways from Geometric Priors
von: Nam, Juno, et al.
Veröffentlicht: (2025)

BioBridge: Bridging Biomedical Foundation Models via Knowledge Graphs
von: Wang, Zifeng, et al.
Veröffentlicht: (2023)

GemNet: Universal Directional Graph Neural Networks for Molecules
von: Gasteiger, Johannes, et al.
Veröffentlicht: (2021)

Combining Graph Neural Networks and Mixed Integer Linear Programming for Molecular Inference under the Two-Layered Model
von: Zhu, Jianshen, et al.
Veröffentlicht: (2025)

Thermodynamics-Consistent Graph Neural Networks
von: Rittig, Jan G., et al.
Veröffentlicht: (2024)

Pushing the limits of one-dimensional NMR spectroscopy for automated structure elucidation using artificial intelligence
von: Hu, Frank, et al.
Veröffentlicht: (2025)

Learning Ordering in Crystalline Materials with Symmetry-Aware Graph Neural Networks
von: Peng, Jiayu, et al.
Veröffentlicht: (2024)

Pushing Configuration-Interaction to the Limit: Towards Massively Parallel MCSCF Calculations
von: Vogiatzis, Konstantinos D., et al.
Veröffentlicht: (2017)

DeCaf: A Causal Decoupling Framework for OOD Generalization on Node Classification
von: Han, Xiaoxue, et al.
Veröffentlicht: (2024)

DispaRisk: Auditing Fairness Through Usable Information
von: Vasquez, Jonathan, et al.
Veröffentlicht: (2024)

FragNet: A Graph Neural Network for Molecular Property Prediction with Four Levels of Interpretability
von: Panapitiya, Gihan, et al.
Veröffentlicht: (2024)

Transferable FB-GNN-MBE Framework for Potential Energy Surfaces: Data-Adaptive Transfer Learning in Deep Learned Many-Body Expansion Theory
von: Chen, Siqi, et al.
Veröffentlicht: (2026)

QMe14S, A Comprehensive and Efficient Spectral Dataset for Small Organic Molecules
von: Yuan, Mingzhi, et al.
Veröffentlicht: (2025)

Learning Potential Energy Surfaces of Hydrogen Atom Transfer Reactions in Peptides
von: Neubert, Marlen, et al.
Veröffentlicht: (2025)

Clapeyron Neural Networks for Single-Species Vapor-Liquid Equilibria
von: Pavšek, Jan, et al.
Veröffentlicht: (2026)

Implicit Delta Learning of High Fidelity Neural Network Potentials
von: Thaler, Stephan, et al.
Veröffentlicht: (2024)

Highly Accurate Real-space Electron Densities with Neural Networks
von: Cheng, Lixue, et al.
Veröffentlicht: (2024)

Open-Source Fermionic Neural Networks with Ionic Charge Initialization
von: Pranesh, Shai, et al.
Veröffentlicht: (2024)