Buchumschlag

Efficient Transition State Searches by Freezing String Method with Graph Neural Network Potentials

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Marks, Jonah, Gomes, Joseph
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Chemical Physics Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Incorporation of Internal Coordinates Interpolation into the Freezing String Method
von: Marks, Jonah, et al.
Veröffentlicht: (2024)

Reliable and Efficient Automated Transition-State Searches with Machine-Learned Interatomic Potentials
von: Marks, Jonah, et al.
Veröffentlicht: (2026)

StringNET: Neural Network based Variational Method for Transition Pathways
von: Han, Jiayue, et al.
Veröffentlicht: (2024)

Efficient Parallelization of Message Passing Neural Network Potentials for Large-scale Molecular Dynamics
von: Xia, Junfan, et al.
Veröffentlicht: (2025)

FeNNol: an Efficient and Flexible Library for Building Force-field-enhanced Neural Network Potentials
von: Plé, Thomas, et al.
Veröffentlicht: (2024)

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

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

React-OT: Optimal Transport for Generating Transition State in Chemical Reactions
von: Duan, Chenru, et al.
Veröffentlicht: (2024)

Uncertainty Quantification for Molecular Property Predictions with Graph Neural Architecture Search
von: Jiang, Shengli, et al.
Veröffentlicht: (2023)

The Bigger the Better? Accurate Molecular Potential Energy Surfaces from Minimalist Neural Networks
von: Käser, Silvan, et al.
Veröffentlicht: (2024)

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)

Pretraining Strategy for Neural Potentials
von: Zhang, Zehua, et al.
Veröffentlicht: (2024)

Toward Routine CSP of Pharmaceuticals: A Fully Automated Protocol Using Neural Network Potentials
von: Glick, Zachary L., et al.
Veröffentlicht: (2025)

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

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

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

Faster Molecular Dynamics with Neural Network Potentials via Distilled Multiple Time-Stepping and Non-Conservative Forces
von: Gouraud, Nicolaï, et al.
Veröffentlicht: (2026)

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

A Priori Sampling of Transition States with Guided Diffusion
von: Lim, Hyukjun, et al.
Veröffentlicht: (2026)

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

Broadening the Scope of Neural Network Potentials through Direct Inclusion of Additional Molecular Attributes
von: Simeon, Guillem, et al.
Veröffentlicht: (2024)

$\nabla^2$DFT: A Universal Quantum Chemistry Dataset of Drug-Like Molecules and a Benchmark for Neural Network Potentials
von: Khrabrov, Kuzma, et al.
Veröffentlicht: (2024)

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

Pushing the Limits of All-Atom Geometric Graph Neural Networks: Pre-Training, Scaling and Zero-Shot Transfer
von: Pengmei, Zihan, et al.
Veröffentlicht: (2024)

QuantumBind-RBFE: Accurate Relative Binding Free Energy Calculations Using Neural Network Potentials
von: Zariquiey, Francesc Sabanés, et al.
Veröffentlicht: (2025)

AceFF: A State-of-the-Art Machine Learning Potential for Small Molecules
von: Farr, Stephen E., et al.
Veröffentlicht: (2026)

Accurate Computation of Quantum Excited States with Neural Networks
von: Pfau, David, et al.
Veröffentlicht: (2023)

Learning Ordering in Crystalline Materials with Symmetry-Aware Graph Neural Networks
von: Peng, Jiayu, 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)

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)

Advancing Molecular Machine Learning Representations with Stereoelectronics-Infused Molecular Graphs
von: Boiko, Daniil A., et al.
Veröffentlicht: (2024)

TorchMD-Net 2.0: Fast Neural Network Potentials for Molecular Simulations
von: Pelaez, Raul P., et al.
Veröffentlicht: (2024)

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

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)

Doob's Lagrangian: A Sample-Efficient Variational Approach to Transition Path Sampling
von: Du, Yuanqi, et al.
Veröffentlicht: (2024)

Enhanced Sampling for Efficient Learning of Coarse-Grained Machine Learning Potentials
von: Chen, Weilong, et al.
Veröffentlicht: (2025)

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

Autotuning T-PaiNN: Enabling Data-Efficient GNN Interatomic Potential Development via Classical-to-Quantum Transfer Learning
von: Pelletier, Vivienne, et al.
Veröffentlicht: (2026)