Buchumschlag

The transformative capability of quantum-accurate machine learning interatomic potentials

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Correa, Alfredo A., Hamel, Sebastien
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computational Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Fast and accurate machine-learned interatomic potentials for large-scale simulations of Cu, Al and Ni
von: Fellman, Aslak, et al.
Veröffentlicht: (2024)

How accurate are foundational machine learning interatomic potentials for heterogeneous catalysis?
von: Kempen, Luuk H. E., et al.
Veröffentlicht: (2025)

Uncertainty-biased molecular dynamics for learning uniformly accurate interatomic potentials
von: Zaverkin, Viktor, et al.
Veröffentlicht: (2023)

Cartesian atomic cluster expansion for machine learning interatomic potentials
von: Cheng, Bingqing
Veröffentlicht: (2024)

Accelerating point defect photo-emission calculations with machine learning interatomic potentials
von: Sharma, Kartikeya, et al.
Veröffentlicht: (2025)

Leveraging active learning-enhanced machine-learned interatomic potential for efficient infrared spectra prediction
von: Bhatia, Nitik, et al.
Veröffentlicht: (2025)

Screening of material defects using universal machine-learning interatomic potentials
von: Berger, Ethan, et al.
Veröffentlicht: (2025)

Nine-element machine-learned interatomic potentials for multiphase refractory alloys
von: Byggmästar, Jesper, et al.
Veröffentlicht: (2026)

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

Evaluation of uncertainty estimations for Gaussian process regression based machine learning interatomic potentials
von: Holzenkamp, Matthias, et al.
Veröffentlicht: (2024)

Long-range electrostatics for machine learning interatomic potentials is easier than we thought
von: Kim, Dongjin, et al.
Veröffentlicht: (2025)

Accurate and efficient machine learning interatomic potentials for finite temperature modeling of molecular crystals
von: Della Pia, Flaviano, et al.
Veröffentlicht: (2025)

MP-ALOE: An r2SCAN dataset for universal machine learning interatomic potentials
von: Kuner, Matthew C., et al.
Veröffentlicht: (2025)

Accelerating global search of adsorbate molecule position using machine-learning interatomic potentials with active learning
von: Klimanova, Olga, et al.
Veröffentlicht: (2024)

MAD-SURF: a machine learning interatomic potential for molecular adsorption on coinage metal surfaces
von: Lastre, Manuel González, et al.
Veröffentlicht: (2026)

Composable and adaptive design of machine learning interatomic potentials guided by Fisher-information analysis
von: Wang, Weishi, et al.
Veröffentlicht: (2025)

Fine-tuning of universal machine-learning interatomic potentials for 2D high-entropy alloys
von: Zhou, Chun, et al.
Veröffentlicht: (2026)

Self-consistent Coulomb interactions for machine learning interatomic potentials
von: Thomas, Jack, et al.
Veröffentlicht: (2024)

Infrared spectroscopy of protonated water clusters via the quantum thermal bath method and highly accurate machine-learned potentials
von: Baird, T., et al.
Veröffentlicht: (2026)

Knowing when to trust machine-learned interatomic potentials
von: Mehdi, Shams, et al.
Veröffentlicht: (2026)

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

Universal machine learning interatomic potentials poised to supplant DFT in modeling general defects in metals and random alloys
von: Shuang, Fei, et al.
Veröffentlicht: (2025)

Predicting solvation free energies with an implicit solvent machine learning potential
von: Röcken, Sebastien, et al.
Veröffentlicht: (2024)

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

Machine-learning interatomic potential for AlN for epitaxial simulation
von: Taormina, Nicholas, et al.
Veröffentlicht: (2025)

Benchmarking machine-learned interatomic potentials for molecular infrared spectroscopy
von: Bhatia, Nitik, et al.
Veröffentlicht: (2026)

FastTrack: a fast method to evaluate mass transport in solid leveraging universal machine learning interatomic potential
von: Kang, Hanwen, et al.
Veröffentlicht: (2025)

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

Going beyond density functional theory accuracy: Leveraging experimental data to refine pre-trained machine learning interatomic potentials
von: Gumber, Shriya, et al.
Veröffentlicht: (2025)

Application-specific machine-learned interatomic potentials: exploring the trade-off between DFT convergence, MLIP expressivity, and computational cost
von: Baghishov, Ilgar, et al.
Veröffentlicht: (2025)

Conservative adaptive-precision interatomic potentials
von: Immel, David, et al.
Veröffentlicht: (2025)

Lightweight equivariant model for efficient machine learning interatomic potentials
von: Yang, Ziduo, et al.
Veröffentlicht: (2023)

Low-rank matrix and tensor approximations for compression of machine-learning interatomic potentials
von: Vorotnikov, Igor, et al.
Veröffentlicht: (2025)

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

Teacher-student training improves accuracy and efficiency of machine learning interatomic potentials
von: Matin, Sakib, et al.
Veröffentlicht: (2025)

Interpolation and differentiation of alchemical degrees of freedom in machine learning interatomic potentials
von: Nam, Juno, et al.
Veröffentlicht: (2024)

Accurate nuclear quantum statistics on machine-learned classical effective potentials
von: Zaporozhets, Iryna, et al.
Veröffentlicht: (2024)

Minimalist machine-learned interatomic potentials can predict complex structural behaviors accurately
von: Robredo-Magro, Iñigo, et al.
Veröffentlicht: (2025)

Multi-fidelity learning for interatomic potentials: Low-level forces and high-level energies are all you need
von: Messerly, Mitchell, et al.
Veröffentlicht: (2025)

Beam induced heating in electron microscopy modeled with machine learning interatomic potentials
von: Valencia, Cuauhtemoc Nuñez, et al.
Veröffentlicht: (2023)