:: Library Catalog

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Star, Liu
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Materials Science Statistics Theory Chemical Physics
Online-Zugang:	https://arxiv.org/abs/2411.15945
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

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

Equivariant Machine Learning Interatomic Potentials with Global Charge Redistribution
von: Maruf, Moin Uddin, et al.
Veröffentlicht: (2025)

Reducing Data Requirements for Sequence-Property Prediction in Copolymer Compatibilizers via Deep Neural Network Tuning
von: Islam, Md Mushfiqul, et al.
Veröffentlicht: (2025)

Machine Learning Multiscale Interactions
von: Solé, Àlex, et al.
Veröffentlicht: (2026)

Leveraging Data Mining, Active Learning, and Domain Adaptation in a Multi-Stage, Machine Learning-Driven Approach for the Efficient Discovery of Advanced Acidic Oxygen Evolution Electrocatalysts
von: Ding, Rui, et al.
Veröffentlicht: (2024)

Many-body Expansion Based Machine Learning Models for Octahedral Transition Metal Complexes
von: Meyer, Ralf, et al.
Veröffentlicht: (2024)

Revealing Local Structures through Machine-Learning- Fused Multimodal Spectroscopy
von: Jia, Haili, 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)

Machine learning frontier orbital energies of nanodiamonds
von: Kirschbaum, Thorren, et al.
Veröffentlicht: (2022)

Beyond the Black Box: An Interpretable Machine Learning Framework for Predicting Electronic Structure Microdescriptors and Structure-Performance Relationships in Fe-based Catalytic Systems
von: Romiluyi, Oyinkansola
Veröffentlicht: (2026)

Hybrid Quantum--Classical Machine Learning Potential with Variational Quantum Circuits
von: Willow, Soohaeng Yoo, et al.
Veröffentlicht: (2025)

Machine learning Hubbard parameters with equivariant neural networks
von: Uhrin, Martin, et al.
Veröffentlicht: (2024)

Superior Polymeric Gas Separation Membrane Designed by Explainable Graph Machine Learning
von: Xu, Jiaxin, et al.
Veröffentlicht: (2024)

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

Kernel Learning Assisted Synthesis Condition Exploration for Ternary Spinel
von: Liu, Yutong, et al.
Veröffentlicht: (2025)

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

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

Latent Thermodynamic Flows: Unified Representation Learning and Generative Modeling of Temperature-Dependent Behaviors from Limited Data
von: Qiu, Yunrui, et al.
Veröffentlicht: (2025)

Pressure induced Structure Change and Anomalies in Thermodynamic Quantities and Transport Properties in Liquid Lithium Hydride
von: Yan, X. Z., et al.
Veröffentlicht: (2025)

Deep Learning for GWP Prediction: A Framework Using PCA, Quantile Transformation, and Ensemble Modeling
von: Rajapriya, Navin, et al.
Veröffentlicht: (2024)

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

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

Active Learning Enables Extrapolation in Molecular Generative Models
von: Antoniuk, Evan R., et al.
Veröffentlicht: (2025)

Knowledge-Reuse Transfer Learning Methods in Molecular and Material Science
von: Chen, An, et al.
Veröffentlicht: (2024)

Learning the action for long-time-step simulations of molecular dynamics
von: Bigi, Filippo, et al.
Veröffentlicht: (2025)

Learning from the electronic structure of molecules across the periodic table
von: Kaniselvan, Manasa, et al.
Veröffentlicht: (2025)

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

Learning simple heuristic rules for classifying materials based on chemical composition
von: Ma, Andrew, et al.
Veröffentlicht: (2025)

TraceGrad: a Framework Learning Expressive SO(3)-equivariant Non-linear Representations for Electronic-Structure Hamiltonian Prediction
von: Yin, Shi, et al.
Veröffentlicht: (2024)

Building-Block Aware Generative Modeling for 3D Crystals of Metal Organic Frameworks
von: Duan, Chenru, et al.
Veröffentlicht: (2025)

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

XANE(3): An E(3)-Equivariant Graph Neural Network for Accurate Prediction of XANES Spectra from Atomic Structures
von: Grizzi, Vitor F., et al.
Veröffentlicht: (2026)

Artificial Intelligence Driven Workflow for Accelerating Design of Novel Photosensitizers
von: Wang, Hongyi, et al.
Veröffentlicht: (2025)

A chemical language model for reticular materials design
von: Menon, Dhruv, et al.
Veröffentlicht: (2026)

Enhancing Diffusion-Based Sampling with Molecular Collective Variables
von: Nam, Juno, et al.
Veröffentlicht: (2025)

Refining Coarse-Grained Molecular Topologies: A Bayesian Optimization Approach
von: Ray, Pranoy, et al.
Veröffentlicht: (2025)

Selectivity- and Activity-Aware Catalyst Descriptors for CO$_2$ Hydrogenation on Alloy Nanocatalysts using Machine-Learned Force Fields
von: Pisal, Prajwal, et al.
Veröffentlicht: (2026)

Vibrational Fingerprints of Strained Polymers: A Spectroscopic Pathway to Mechanical State Prediction
von: Konrad, Julian, et al.
Veröffentlicht: (2025)

Bridging Machine Learning and Glassy Dynamics Theory for Predictive Polymer Modeling
von: Phan, Anh D., et al.
Veröffentlicht: (2025)

Predicting band gap from chemical composition: A simple learned model for a material property with atypical statistics
von: Ma, Andrew, et al.
Veröffentlicht: (2025)