:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Xia, Junfan, Zhang, Yaolong, Jiang, Bin
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Chemical Physics
Online-Zugang:	https://arxiv.org/abs/2502.07335
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

A Simple and Efficient Equivariant Message Passing Neural Network Model for Non-Local Potential Energy Surface
von: Wu, Yibin, et al.
Veröffentlicht: (2024)

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

Efficient Sampling for Machine Learning Electron Density and Its Response in Real Space
von: Feng, Chaoqiang, et al.
Veröffentlicht: (2024)

Node-Equivariant Message Passing for Efficient and Accurate Machine Learning Interatomic Potentials
von: Zhang, Yaolong, et al.
Veröffentlicht: (2025)

SchrödingerNet: A Universal Neural Network Solver for The Schrödinger Equation
von: Zhang, Yaolong, et al.
Veröffentlicht: (2024)

Lifelong Machine Learning Potentials for Chemical Reaction Network Explorations
von: Eckhoff, Marco, et al.
Veröffentlicht: (2025)

Transfer Learning across Different Chemical Domains: Virtual Screening of Organic Materials with Deep Learning Models Pretrained on Small Molecule and Chemical Reaction Data
von: Zhang, Chengwei, et al.
Veröffentlicht: (2023)

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

Discovering Reaction Mechanisms with Transition Path Sampling-Based Active Learning of Machine-Learned Potentials
von: Lal, Ashique, et al.
Veröffentlicht: (2026)

Benchmarking of machine learning interatomic potentials for reactive hydrogen dynamics at metal surfaces
von: Stark, Wojciech G., et al.
Veröffentlicht: (2024)

First-Principles Understanding of Vibrational Energy Transfer in Molecule-Surface Scattering: Both Adiabatic and Nonadiabatic Channels Matter
von: Meng, Gang, et al.
Veröffentlicht: (2025)

Resolving the Body-Order Paradox of Machine Learning Interatomic Potentials
von: Chong, Sanggyu, et al.
Veröffentlicht: (2025)

Machine-Learned Potentials for Solvation Modeling
von: Banchode, Roopshree, et al.
Veröffentlicht: (2025)

OH$^-$-Enhanced Alkaline Hydrogen Evolution Reaction at the Au(111) Electrode
von: Zhen, Er-Fei, et al.
Veröffentlicht: (2025)

Understanding the Density Maximum of Water with Machine Learned Potentials
von: Song, Yizhi, et al.
Veröffentlicht: (2026)

Accelerating Complex Materials Discovery with Universal Machine-Learning Potential-Driven Structure Prediction
von: An, Yuqi, et al.
Veröffentlicht: (2026)

Machine Learning Framework for Modeling Exciton-Polaritons in Molecular Materials
von: Li, Xinyang, et al.
Veröffentlicht: (2023)

Anomalous Enhancement of the Electrocatalytic Hydrogen Evolution Reaction in AuPt Nanoclusters
von: Kang, Jiahui, et al.
Veröffentlicht: (2024)

Enhancing Accuracy and Feature Insights in Hydration Free Energy Predictions for Small Molecules with Machine Learning
von: Han, Mingjun, et al.
Veröffentlicht: (2024)

Nonlocal Machine-Learned Exchange Functional for Molecules and Solids
von: Bystrom, Kyle, et al.
Veröffentlicht: (2023)

MACE-OFF: Transferable Short Range Machine Learning Force Fields for Organic Molecules
von: Kovács, Dávid Péter, et al.
Veröffentlicht: (2023)

Efficient Machine Learning Approach for Yield Prediction in Chemical Reactions
von: Ghosh, Supratim, et al.
Veröffentlicht: (2025)

Flexible Uncertainty Calibration for Machine-Learned Interatomic Potentials
von: Ho, Cheuk Hin, et al.
Veröffentlicht: (2025)

Transferability of datasets between Machine-Learning Interaction Potentials
von: Niblett, Samuel P., et al.
Veröffentlicht: (2024)

DeePMD-kit v3: A Multiple-Backend Framework for Machine Learning Potentials
von: Zeng, Jinzhe, et al.
Veröffentlicht: (2025)

Enhancing NMR Shielding Predictions of Atoms-in-Molecules Machine Learning Models with Neighborhood-Informed Representations
von: Das, Surajit, et al.
Veröffentlicht: (2025)

No Headache for PIPs: A PIP Potential for Aspirin Outperforms Other Machine-Learned Potentials
von: Houston, Paul L., et al.
Veröffentlicht: (2024)

Towards Linearly Scaling and Chemically Accurate Global Machine Learning Force Fields for Large Molecules
von: Kabylda, Adil, et al.
Veröffentlicht: (2022)

Multi-Fidelity Machine Learning for Excited State Energies of Molecules
von: Vinod, Vivin, et al.
Veröffentlicht: (2023)

Molecular Similarity in Machine Learning of Energies in Chemical Reaction Networks
von: Gugler, Stefan, et al.
Veröffentlicht: (2025)

Thermodynamic Properties of Diatomic Molecules from the Frost-Musulin Potential
von: Parsanasab, Mohammadjavad, et al.
Veröffentlicht: (2026)

Developing a Machine-Learning Interatomic Potential for Non-Covalent Interactions in Proteins
von: Zeng, Lejia, et al.
Veröffentlicht: (2026)

Scaling Machine Learning Interatomic Potentials with Mixtures of Experts
von: Liu, Yuzhi, et al.
Veröffentlicht: (2026)

Ab Initio Melting Properties of Water and Ice from Machine Learning Potentials
von: Li, Yifan, et al.
Veröffentlicht: (2025)

MLIPAudit: A benchmarking tool for Machine Learned Interatomic Potentials
von: Wehrhan, Leon, et al.
Veröffentlicht: (2025)

Does Hessian Data Improve the Performance of Machine Learning Potentials?
von: Rodriguez, Austin, et al.
Veröffentlicht: (2025)

Fidelity of Machine Learned Potentials: Quantitative Assessment for Protonated Oxalate
von: Qu, Chen, et al.
Veröffentlicht: (2026)

Machine Learning-Aided First-Principles Calculations of Redox Potentials
von: Jinnouchi, Ryosuke, et al.
Veröffentlicht: (2023)

Explicit, Machine-Learned Two-Body Potentials for Molecular Simulations
von: Chaton, Kham Lek, et al.
Veröffentlicht: (2026)

False Metallization in Short-Ranged Machine Learned Interatomic Potentials
von: Parker, Isaac J., et al.
Veröffentlicht: (2026)