Buchumschlag

Augmenting Molecular Graphs with Geometries via Machine Learning Interatomic Potentials

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Fu, Cong, Lin, Yuchao, Krueger, Zachary, Yu, Haiyang, Nakata, Maho, Xie, Jianwen, Kucukbenli, Emine, Qian, Xiaofeng, Ji, Shuiwang
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Chemical Physics Artificial Intelligence Quantitative Methods
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Tensor Decomposition Networks for Fast Machine Learning Interatomic Potential Computations
von: Lin, Yuchao, et al.
Veröffentlicht: (2025)

A Benchmark for Quantum Chemistry Relaxations via Machine Learning Interatomic Potentials
von: Fu, Cong, et al.
Veröffentlicht: (2025)

Guest Editorial: Special Topic on Software for Atomistic Machine Learning
von: Rupp, Matthias, et al.
Veröffentlicht: (2024)

Graph Fourier Neural ODEs: Modeling Spatial-temporal Multi-scales in Molecular Dynamics
von: Sun, Fang, et al.
Veröffentlicht: (2024)

Enhancing Protein-Ligand Binding Affinity Predictions using Neural Network Potentials
von: Zariquiey, Francesc Sabanes, et al.
Veröffentlicht: (2024)

MolSculpt: Sculpting 3D Molecular Geometries from Chemical Syntax
von: Chen, Zhanpeng, et al.
Veröffentlicht: (2025)

Designing the Haystack: Programmable Chemical Space for Generative Molecular Discovery
von: Zhu, Yuchen, et al.
Veröffentlicht: (2026)

TrustMol: Trustworthy Inverse Molecular Design via Alignment with Molecular Dynamics
von: Wijaya, Kevin Tirta, et al.
Veröffentlicht: (2024)

The Geometry of Activity Cliffs: Representation Dependence and Multi-Scale Characterization of Activity Landscapes
von: Dabrowski-Tumanski, Pawel, et al.
Veröffentlicht: (2026)

Generative Pseudo-Force Fields for Molecular Generation
von: Hessmann, Stefaan Simon Pierre, et al.
Veröffentlicht: (2026)

Fractional Denoising for 3D Molecular Pre-training
von: Feng, Shikun, et al.
Veröffentlicht: (2023)

Large-Scale Knowledge Integration for Enhanced Molecular Property Prediction
von: Ghunaim, Yasir, et al.
Veröffentlicht: (2024)

Node-Aligned Graph-to-Graph (NAG2G): Elevating Template-Free Deep Learning Approaches in Single-Step Retrosynthesis
von: Yao, Lin, et al.
Veröffentlicht: (2023)

Advances in the Simulation and Modeling of Complex Systems using Dynamical Graph Grammars
von: Medwedeff, Eric, et al.
Veröffentlicht: (2024)

From Static to Dynamic Structures: Improving Binding Affinity Prediction with Graph-Based Deep Learning
von: Min, Yaosen, et al.
Veröffentlicht: (2022)

PoseBusters: AI-based docking methods fail to generate physically valid poses or generalise to novel sequences
von: Buttenschoen, Martin, et al.
Veröffentlicht: (2023)

An evaluation of unconditional 3D molecular generation methods
von: Buttenschoen, Martin, et al.
Veröffentlicht: (2025)

Machine Learning Interatomic Potentials: Advancing Open-Source Software for Efficient and Scalable Molecular Simulation
von: Brunken, Christoph, et al.
Veröffentlicht: (2026)

Orbital Transformers for Predicting Wavefunctions in Time-Dependent Density Functional Theory
von: Zhang, Xuan, et al.
Veröffentlicht: (2026)

Machine-Learning Interatomic Potentials for Long-Range Systems
von: Ji, Yajie, et al.
Veröffentlicht: (2025)

LICO: Large Language Models for In-Context Molecular Optimization
von: Nguyen, Tung, et al.
Veröffentlicht: (2024)

QH9: A Quantum Hamiltonian Prediction Benchmark for QM9 Molecules
von: Yu, Haiyang, et al.
Veröffentlicht: (2023)

Geometry-enhanced Pre-training on Interatomic Potentials
von: Cui, Taoyong, et al.
Veröffentlicht: (2023)

Synergistic Computational Approaches for Accelerated Drug Discovery: Integrating Quantum Mechanics, Statistical Thermodynamics, and Quantum Computing
von: Molani, Farzad, et al.
Veröffentlicht: (2025)

Tokenizing Electron Cloud in Protein-Ligand Interaction Learning
von: Lin, Haitao, et al.
Veröffentlicht: (2025)

Multi-channel learning for integrating structural hierarchies into context-dependent molecular representation
von: Wan, Yue, et al.
Veröffentlicht: (2023)

From Brownian dynamics to Poisson-Nernst-Planck equations: multi-resolution simulations of ions
von: Zhang, Jinyuan, et al.
Veröffentlicht: (2025)

Olfactory Label Prediction on Aroma-Chemical Pairs
von: Sisson, Laura, et al.
Veröffentlicht: (2023)

Enhancing Peak Assignment in 13C NMR Spectroscopy: A Novel Approach Using Multimodal Alignment
von: Xu, Hao, et al.
Veröffentlicht: (2023)

Learning Chemotherapy Drug Action via Universal Physics-Informed Neural Networks
von: Podina, Lena, et al.
Veröffentlicht: (2024)

KANEL: Kolmogorov-Arnold Network Ensemble Learning Enables Early Hit Enrichment in High-Throughput Virtual Screening
von: Koptev, Pavel, et al.
Veröffentlicht: (2026)

Molecular dynamics simulations with grand-canonical reweighting suggest cooperativity effects in RNA structure probing experiments
von: Calonaci, Nicola, et al.
Veröffentlicht: (2022)

LATTE: an atomic environment descriptor based on Cartesian tensor contractions
von: Pellegrini, Franco, et al.
Veröffentlicht: (2024)

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

Socrates-Mol: Self-Oriented Cognitive Reasoning through Autonomous Trial-and-Error with Empirical-Bayesian Screening for Molecules
von: Wang, Xiangru, et al.
Veröffentlicht: (2025)

ProtSCAPE: Mapping the landscape of protein conformations in molecular dynamics
von: Viswanath, Siddharth, et al.
Veröffentlicht: (2024)

QSAR-Guided Generative Framework for the Discovery of Synthetically Viable Odorants
von: Pearce, Tim C., et al.
Veröffentlicht: (2025)

Prediction of good reaction coordinates and future evolution of MD trajectories using Regularized Sparse Autoencoders: A novel deep learning approach
von: Gupta, Abhijit
Veröffentlicht: (2022)

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

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