Buchumschlag

The Importance of Being Scalable: Improving the Speed and Accuracy of Neural Network Interatomic Potentials Across Chemical Domains

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Qu, Eric, Krishnapriyan, Aditi S.
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

From Evaluation to Design: Using Potential Energy Surface Smoothness Metrics to Guide Machine Learning Interatomic Potential Architectures
von: Liu, Ryan, et al.
Veröffentlicht: (2026)

Neural Spectral Methods: Self-supervised learning in the spectral domain
von: Du, Yiheng, et al.
Veröffentlicht: (2023)

EddyFormer: Accelerated Neural Simulations of Three-Dimensional Turbulence at Scale
von: Du, Yiheng, et al.
Veröffentlicht: (2025)

Understanding and Mitigating Distribution Shifts For Machine Learning Force Fields
von: Kreiman, Tobias, et al.
Veröffentlicht: (2025)

PDEInvBench: A Comprehensive Dataset and Design Space Exploration of Neural Networks for PDE Inverse Problems
von: Goel, Divyam, et al.
Veröffentlicht: (2026)

A recipe for scalable attention-based MLIPs: unlocking long-range accuracy with all-to-all node attention
von: Qu, Eric, et al.
Veröffentlicht: (2026)

Transformers Discover Molecular Structure Without Graph Priors
von: Kreiman, Tobias, et al.
Veröffentlicht: (2025)

Electrostatics from Laplacian Eigenbasis for Neural Network Interatomic Potentials
von: Zhdanov, Maksim, et al.
Veröffentlicht: (2025)

Scaling physics-informed hard constraints with mixture-of-experts
von: Chalapathi, Nithin, et al.
Veröffentlicht: (2024)

Towards Fast, Specialized Machine Learning Force Fields: Distilling Foundation Models via Energy Hessians
von: Amin, Ishan, et al.
Veröffentlicht: (2025)

Enabling Efficient Equivariant Operations in the Fourier Basis via Gaunt Tensor Products
von: Luo, Shengjie, et al.
Veröffentlicht: (2024)

Physics-Informed Heterogeneous Graph Neural Networks for DC Blocker Placement
von: Jin, Hongwei, et al.
Veröffentlicht: (2024)

Bridging the Simulation-to-Experiment Gap with Generative Models using Adversarial Distribution Alignment
von: Nelson, Kai, et al.
Veröffentlicht: (2026)

Model Accuracy and Data Heterogeneity Shape Uncertainty Quantification in Machine Learning Interatomic Potentials
von: Shuang, Fei, et al.
Veröffentlicht: (2025)

Active Learning Strategies for Efficient Machine-Learned Interatomic Potentials Across Diverse Material Systems
von: Khan, Mohammed Azeez, et al.
Veröffentlicht: (2026)

IW-GAE: Importance Weighted Group Accuracy Estimation for Improved Calibration and Model Selection in Unsupervised Domain Adaptation
von: Joo, Taejong, et al.
Veröffentlicht: (2023)

General Binding Affinity Guidance for Diffusion Models in Structure-Based Drug Design
von: Jian, Yue, et al.
Veröffentlicht: (2024)

Parallel Stochastic Gradient-Based Planning for World Models
von: Psenka, Michael, et al.
Veröffentlicht: (2026)

BLIPs: Bayesian Learned Interatomic Potentials
von: Coscia, Dario, et al.
Veröffentlicht: (2025)

Stability-Aware Training of Machine Learning Force Fields with Differentiable Boltzmann Estimators
von: Raja, Sanjeev, et al.
Veröffentlicht: (2024)

Tensor Decomposition Networks for Fast Machine Learning Interatomic Potential Computations
von: Lin, Yuchao, et al.
Veröffentlicht: (2025)

The Importance of Being Smoothly Calibrated
von: Gopalan, Parikshit, et al.
Veröffentlicht: (2026)

Smooth Dynamic Cutoffs for Machine Learning Interatomic Potentials
von: Han, Kevin, et al.
Veröffentlicht: (2026)

Orb: A Fast, Scalable Neural Network Potential
von: Neumann, Mark, et al.
Veröffentlicht: (2024)

Equivariant Evidential Deep Learning for Interatomic Potentials
von: Wang, Zhongyao, et al.
Veröffentlicht: (2026)

Equation Discovery with Bayesian Spike-and-Slab Priors and Efficient Kernels
von: Long, Da, et al.
Veröffentlicht: (2023)

A Novel Neural Filter to Improve Accuracy of Neural Network Models of Dynamic Systems
von: Oveissi, Parham, et al.
Veröffentlicht: (2024)

Machine-Learning Interatomic Potentials for Long-Range Systems
von: Ji, Yajie, et al.
Veröffentlicht: (2025)

Action-Minimization Meets Generative Modeling: Efficient Transition Path Sampling with the Onsager-Machlup Functional
von: Raja, Sanjeev, et al.
Veröffentlicht: (2025)

The Importance of Being Lazy: Scaling Limits of Continual Learning
von: Graldi, Jacopo, et al.
Veröffentlicht: (2025)

Topologically-Stabilized Graph Neural Networks: Empirical Robustness Across Domains
von: Losic, Jelena
Veröffentlicht: (2025)

KLAS: Using Similarity to Stitch Neural Networks for Improved Accuracy-Efficiency Tradeoffs
von: Sanyal, Debopam, et al.
Veröffentlicht: (2026)

Accelerating the Training and Improving the Reliability of Machine-Learned Interatomic Potentials for Strongly Anharmonic Materials through Active Learning
von: Kang, Kisung, et al.
Veröffentlicht: (2024)

AlphaNet: Scaling Up Local-frame-based Atomistic Interatomic Potential
von: Yin, Bangchen, et al.
Veröffentlicht: (2025)

Learning Smooth and Expressive Interatomic Potentials for Physical Property Prediction
von: Fu, Xiang, et al.
Veröffentlicht: (2025)

PFT: Phonon Fine-tuning for Machine Learned Interatomic Potentials
von: Koker, Teddy, et al.
Veröffentlicht: (2026)

Data Curation for Machine Learning Interatomic Potentials by Determinantal Point Processes
von: Zou, Joanna, et al.
Veröffentlicht: (2026)

Improved Scalable Lipschitz Bounds for Deep Neural Networks
von: Syed, Usman, et al.
Veröffentlicht: (2025)

Quantization of Spiking Neural Networks Beyond Accuracy
von: Smith, Evan Gibson, et al.
Veröffentlicht: (2026)

Transfer learning in Scalable Graph Neural Network for Improved Physical Simulation
von: Shen, Siqi, et al.
Veröffentlicht: (2025)