Buchumschlag

Uncertainty Quantification for Misspecified Machine Learned Interatomic Potentials

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Perez, Danny, Subramanyam, Aparna P. A., Maliyov, Ivan, Swinburne, Thomas D.
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Materials Science
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Exploring parameter dependence of atomic minima with implicit differentiation
von: Maliyov, Ivan, et al.
Veröffentlicht: (2024)

Efficient and Accurate Spatial Mixing of Machine Learned Interatomic Potentials for Materials Science
von: Birks, Fraser, et al.
Veröffentlicht: (2025)

Information-entropy-driven generation of material-agnostic datasets for machine-learning interatomic potentials
von: Subramanyam, Aparna P. A., et al.
Veröffentlicht: (2024)

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

Uncertainty Quantification in Atomistic Simulations of Silicon using Interatomic Potentials
von: Best, I. R., et al.
Veröffentlicht: (2024)

Benchmarking Universal Machine Learning Interatomic Potentials on Elemental Systems
von: Tahmasbi, Hossein, et al.
Veröffentlicht: (2025)

Exploring the extremes: atomic basis for multi-elemental materials science under complex thermodynamic conditions
von: Bochkarev, Anton, et al.
Veröffentlicht: (2026)

A "Magnetic" Machine Learning Interatomic Potential for Nickel
von: Gong, Xiaoguo, et al.
Veröffentlicht: (2023)

Compressing and forecasting atomic material simulations with descriptors
von: Swinburne, Thomas D
Veröffentlicht: (2023)

ParSplice: strong exa-scaling of molecular dynamics
von: Swinburne, Thomas D
Veröffentlicht: (2024)

Classical and Machine Learning Interatomic Potentials for BCC Vanadium
von: Wang, Rui, et al.
Veröffentlicht: (2022)

Universal Machine Learning Interatomic Potentials are Ready for Phonons
von: Loew, Antoine, et al.
Veröffentlicht: (2024)

Hydrogen under Pressure as a Benchmark for Machine-Learning Interatomic Potentials
von: Bischoff, Thomas, et al.
Veröffentlicht: (2024)

Energy Underprediction from Symmetry in Machine-Learning Interatomic Potentials
von: Nong, Wei, et al.
Veröffentlicht: (2025)

Importance of Electronic Entropy for Machine Learning Interatomic Potentials
von: Petersen, Martin Hoffmann, et al.
Veröffentlicht: (2026)

Adaptive Loss Weighting for Machine Learning Interatomic Potentials
von: Ocampo, Daniel, et al.
Veröffentlicht: (2024)

Phosphorus-based lubricant additives on iron with Machine Learning Interatomic Potentials
von: Restuccia, Paolo, et al.
Veröffentlicht: (2025)

Optimizing Cross-Domain Transfer for Universal Machine Learning Interatomic Potentials
von: Kim, Jaesun, et al.
Veröffentlicht: (2025)

Benchmarking Universal Machine Learning Interatomic Potentials for Elastic Property Prediction
von: Gao, Pengfei, et al.
Veröffentlicht: (2025)

Evaluation of Foundational Machine Learned Interatomic Potentials for Migration Barrier Predictions
von: Bheemaguli, Achinthya Krishna, et al.
Veröffentlicht: (2025)

Improving Reliability of Machine Learned Interatomic Potentials With Physics-Informed Pretraining
von: Zheng, Qianyu, et al.
Veröffentlicht: (2026)

Discovering High-Entropy Oxides with a Machine-Learning Interatomic Potential
von: Sivak, Jacob T., et al.
Veröffentlicht: (2024)

Machine Learned Interatomic Potentials for Ternary Carbides trained on the AFLOW Database
von: Roberts, Josiah, et al.
Veröffentlicht: (2024)

Machine Learning Interatomic Potentials for Million-Atom Simulations of Multicomponent Alloys
von: Shuang, Fei, et al.
Veröffentlicht: (2026)

Multi-fidelity Machine Learning Interatomic Potentials for Charged Point Defects
von: Wang, Xinwei, et al.
Veröffentlicht: (2026)

Small-Cell-Based Fast Active Learning of Machine Learning Interatomic Potentials
von: Meng, Zijian, et al.
Veröffentlicht: (2025)

MLIP-MC: A Framework for Adsorption Simulations using Machine-Learned Interatomic Potentials
von: Edwards, Connor W., et al.
Veröffentlicht: (2026)

Machine-Learned Interatomic Potentials for Predicting Physicochemical Properties of Molten Metal-Salt Systems for Calcium Electrolysis
von: Polovinkin, M., et al.
Veröffentlicht: (2026)

Uncertainty Quantification and Propagation in Atomistic Machine Learning
von: Dai, Jin, et al.
Veröffentlicht: (2024)

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

Bias in Universal Machine-Learned Interatomic Potentials and its Effects on Fine-Tuning
von: Wong, Nicolas, 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)

Universal Machine Learning Interatomic Potentials are Ready for Solid Ion Conductors
von: Du, Hongwei, et al.
Veröffentlicht: (2025)

Beyond Scaling: Chemical Intuition as Emergent Ability of Universal Machine Learning Interatomic Potentials
von: Hattori, Shinnosuke, et al.
Veröffentlicht: (2025)

Machine Learning a Universal Harmonic Interatomic Potential for Predicting Phonons in Crystalline Solids
von: Lee, Huiju, et al.
Veröffentlicht: (2024)

Investigating Ionic Diffusivity in Amorphous Solid Electrolytes using Machine Learned Interatomic Potentials
von: Seth, Aqshat, et al.
Veröffentlicht: (2024)

Accurate and Efficient Interatomic Potentials for Dislocations in InP
von: Rocke, Thomas, et al.
Veröffentlicht: (2026)

Predicting Interface Structure using the Minima Hopping Method with a Machine Learning Interatomic Potential
von: Chou, Chang-Ti, et al.
Veröffentlicht: (2026)

Tadah! A Swiss Army Knife for Developing and Deployment of Machine Learning Interatomic Potentials
von: Kirsz, M., et al.
Veröffentlicht: (2025)

Modelling Silica using MACE-MP-0 Machine Learnt Interatomic Potentials
von: Nasir, Jamal Abdul, et al.
Veröffentlicht: (2024)