Buchumschlag

Tensor Decomposition Networks for Fast Machine Learning Interatomic Potential Computations

Fuente: arXiv

Gespeichert in:

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

Ähnliche Einträge

Augmenting Molecular Graphs with Geometries via Machine Learning Interatomic Potentials
von: Fu, Cong, et al.
Veröffentlicht: (2025)

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

Efficient Prediction of SO(3)-Equivariant Hamiltonian Matrices via SO(2) Local Frames
von: Yu, Haiyang, et al.
Veröffentlicht: (2025)

A Space Group Symmetry Informed Network for O(3) Equivariant Crystal Tensor Prediction
von: Yan, Keqiang, et al.
Veröffentlicht: (2024)

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

Complete and Efficient Graph Transformers for Crystal Material Property Prediction
von: Yan, Keqiang, et al.
Veröffentlicht: (2024)

SineNet: Learning Temporal Dynamics in Time-Dependent Partial Differential Equations
von: Zhang, Xuan, et al.
Veröffentlicht: (2024)

Equivariance via Minimal Frame Averaging for More Symmetries and Efficiency
von: Lin, Yuchao, et al.
Veröffentlicht: (2024)

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

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

Smooth Dynamic Cutoffs for Machine Learning Interatomic Potentials
von: Han, Kevin, et al.
Veröffentlicht: (2026)

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

Equivariant Graph Network Approximations of High-Degree Polynomials for Force Field Prediction
von: Xu, Zhao, et al.
Veröffentlicht: (2024)

Empowering GNNs via Edge-Aware Weisfeiler-Leman Algorithm
von: Liu, Meng, et al.
Veröffentlicht: (2022)

A Geometry-Aware Message Passing Neural Network for Modeling Aerodynamics over Airfoils
von: Helwig, Jacob, et al.
Veröffentlicht: (2024)

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

Equivariant Interatomic Potentials without Tensor Products
von: Reschützegger, Thiago, et al.
Veröffentlicht: (2026)

Language Models for Controllable DNA Sequence Design
von: Su, Xingyu, et al.
Veröffentlicht: (2025)

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

Machine Learning Interatomic Potential for Alumina
von: Galib, Musanna
Veröffentlicht: (2025)

Fragment and Geometry Aware Tokenization of Molecules for Structure-Based Drug Design Using Language Models
von: Fu, Cong, et al.
Veröffentlicht: (2024)

Projected Hessian Learning: Fast Curvature Supervision for Accurate Machine-Learning Interatomic Potentials
von: Rodriguez, Austin, et al.
Veröffentlicht: (2026)

Learning to Discover Regulatory Elements for Gene Expression Prediction
von: Su, Xingyu, et al.
Veröffentlicht: (2025)

Extrapolation of Machine-Learning Interatomic Potentials for Organic and Polymeric Systems
von: Hooven, Natalie E., et al.
Veröffentlicht: (2025)

Fast and Fourier Features for Transfer Learning of Interatomic Potentials
von: Novelli, Pietro, et al.
Veröffentlicht: (2025)

Machine Learning Interatomic Potentials with Keras API
von: Rili, James Paolo
Veröffentlicht: (2024)

Machine Learning Interatomic Potentials for Heterogeneous Catalysis
von: Deqi Tang, et al.
Veröffentlicht: (2024)

Fast Learnings of Coupled Nonnegative Tensor Decomposition Using Optimal Gradient and Low-rank Approximation
von: Wang, Xiulin, et al.
Veröffentlicht: (2023)

Ensemble Knowledge Distillation for Machine Learning Interatomic Potentials
von: Matin, Sakib, et al.
Veröffentlicht: (2025)

Uncertainty Quantification for Misspecified Machine Learned Interatomic Potentials
von: Perez, Danny, et al.
Veröffentlicht: (2025)

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)

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

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

Benchmarking Compositional Generalisation for Machine Learning Interatomic Potentials
von: Nourollah, Amir Masoud, et al.
Veröffentlicht: (2026)

Machine Learning Interatomic Potential‐Enabled Discovery of Chlorofullerenes
von: Zi‐Yang Qiu, et al.
Veröffentlicht: (2025)

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

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

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

Uni2D: A Universal Machine Learning Interatomic Potential for Two-Dimensional Materials
von: Wang, Haidi, et al.
Veröffentlicht: (2025)