Buchumschlag

Fast and flexible long-range models for atomistic machine learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Loche, Philip, Huguenin-Dumittan, Kevin K., Honarmand, Melika, Xu, Qianjun, Rumiantsev, Egor, How, Wei Bin, Langer, Marcel F., Ceriotti, Michele
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

Adaptive energy reference for machine-learning models of the electronic density of states
von: How, Wei Bin, et al.
Veröffentlicht: (2024)

Learning Long-Range Representations with Equivariant Messages
von: Rumiantsev, Egor, et al.
Veröffentlicht: (2025)

The dark side of the forces: assessing non-conservative force models for atomistic machine learning
von: Bigi, Filippo, et al.
Veröffentlicht: (2024)

Simultaneous Learning of Static and Dynamic Charges
von: Stärk, Philipp, et al.
Veröffentlicht: (2026)

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

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

Completeness of Atomic Structure Representations
von: Nigam, Jigyasa, et al.
Veröffentlicht: (2023)

Probing the effects of broken symmetries in machine learning
von: Langer, Marcel F., et al.
Veröffentlicht: (2024)

A universal machine learning model for the electronic density of states
von: How, Wei Bin, et al.
Veröffentlicht: (2025)

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

Comparing the latent features of universal machine-learning interatomic potentials
von: Chorna, Sofiia, et al.
Veröffentlicht: (2025)

Massive Atomic Diversity: a compact universal dataset for atomistic machine learning
von: Mazitov, Arslan, et al.
Veröffentlicht: (2025)

Prediction rigidities for data-driven chemistry
von: Chong, Sanggyu, et al.
Veröffentlicht: (2024)

Representing spherical tensors with scalar-based machine-learning models
von: Domina, Michelangelo, et al.
Veröffentlicht: (2025)

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

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

How unconstrained machine-learning models learn physical symmetries
von: Domina, Michelangelo, et al.
Veröffentlicht: (2026)

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

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

PET-MAD, a lightweight universal interatomic potential for advanced materials modeling
von: Mazitov, Arslan, et al.
Veröffentlicht: (2025)

Errors that matter: Uncertainty-aware universal machine-learning potentials calibrated on experiments
von: Kellner, Matthias, et al.
Veröffentlicht: (2026)

Exploring the design space of machine-learning models for quantum chemistry with a fully differentiable framework
von: Suman, Divya, et al.
Veröffentlicht: (2025)

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

Accurate molecular polarizabilities with coupled-cluster theory and machine learning
von: Wilkins, David M., et al.
Veröffentlicht: (2018)

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

Uncertainty quantification by direct propagation of shallow ensembles
von: Kellner, Matthias, et al.
Veröffentlicht: (2024)

A foundation machine learning potential with polarizable long-range interactions for materials modelling
von: Gao, Rongzhi, et al.
Veröffentlicht: (2024)

FlashMD: long-stride, universal prediction of molecular dynamics
von: Bigi, Filippo, et al.
Veröffentlicht: (2025)

Fast and Accurate Uncertainty Estimation in Chemical Machine Learning
von: Musil, Felix, et al.
Veröffentlicht: (2018)

Augmenting chemical databases for atomistic machine learning by sampling conformational space
von: Vazquez-Salazar, Luis Itza, et al.
Veröffentlicht: (2025)

Transfer learning for atomistic simulations using GNNs and kernel mean embeddings
von: Falk, John, et al.
Veröffentlicht: (2023)

Smooth, exact rotational symmetrization for deep learning on point clouds
von: Pozdnyakov, Sergey N., et al.
Veröffentlicht: (2023)

Latent Ewald summation for machine learning of long-range interactions
von: Cheng, Bingqing
Veröffentlicht: (2024)

A deep learning model for chemical shieldings in molecular organic solids including anisotropy
von: Kellner, Matthias, et al.
Veröffentlicht: (2025)

A universal augmentation framework for long-range electrostatics in machine learning interatomic potentials
von: Kim, Dongjin, et al.
Veröffentlicht: (2025)

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

Model-free quantification of completeness, uncertainties, and outliers in atomistic machine learning using information theory
von: Schwalbe-Koda, Daniel, et al.
Veröffentlicht: (2024)

How to Train a Shallow Ensemble
von: Schäfer, Moritz, et al.
Veröffentlicht: (2026)

Atom-Density Representations for Machine Learning
von: Willatt, Michael J., et al.
Veröffentlicht: (2018)

Water cavitation results from the kinetic competition of bulk, surface and surface-defect nucleation events
von: Loche, Philip, et al.
Veröffentlicht: (2024)