Buchumschlag

P-DRUM: Post-hoc Descriptor-based Residual Uncertainty Modeling for Machine Learning Potentials

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Huang, Shih-Peng, Charoenphakdee, Nontawat, Tsuboi, Yuta, Zhuang, Yong-Bin, Li, Wenwen
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Materials Science
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Lang2MLIP: End-to-End Language-to-Machine Learning Interatomic Potential Development with Autonomous Agentic Workflows
von: Li, Wenwen, et al.
Veröffentlicht: (2026)

LightPFP: A Lightweight Route to Ab Initio Accuracy at Scale
von: Li, Wenwen, et al.
Veröffentlicht: (2025)

Matlantis-PFP v8: Universal Machine Learning Interatomic Potential with Better Experimental Agreements via r2SCAN Functional
von: Shinagawa, Chikashi, et al.
Veröffentlicht: (2026)

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

Descriptor and Graph-based Molecular Representations in Prediction of Copolymer Properties Using Machine Learning
von: Kazemi-Khasragh, Elaheh, et al.
Veröffentlicht: (2025)

Density-Based Long-Range Electrostatic Descriptors for Machine Learning Force Fields
von: Faller, Carolin, et al.
Veröffentlicht: (2024)

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

Symplectic Spin-Lattice Dynamics with Machine-Learning Potentials
von: Huang, Zhengtao, et al.
Veröffentlicht: (2025)

An Accurate and Efficient Machine-Learned Potential for SiC from Ambient to Extreme Environments
von: Wu, Jintong, et al.
Veröffentlicht: (2025)

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

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

Predicting the Curie Temperature of Magnetic Materials with Machine Learning: Descriptor Engineering, Graph Neural Networks, and the Role of Curated Data
von: Orang, Akram Abedi, et al.
Veröffentlicht: (2025)

A Machine-Learning Accelerated Grand Canonical Sampling Framework for Nuclear Quantum Effects in Constant Potential Electrochemistry
von: Sun, Menglin, et al.
Veröffentlicht: (2024)

Li-P-S Electrolyte Materials as a Benchmark for Machine-Learned Interatomic Potentials
von: Fragapane, Natascia L., et al.
Veröffentlicht: (2025)

High-Throughput Search for Photostrictive Materials based on a Thermodynamic Descriptor
von: Xiang, Zeyu, et al.
Veröffentlicht: (2024)

Identifying the Catalytic Descriptor of Single-Atom Catalysts in Nitrate Reduction Reaction: An Interpretable Machine-Learning Method
von: Zhu, Zhen, et al.
Veröffentlicht: (2025)

Universal Machine Learning Potentials under Pressure
von: Loew, Antoine, et al.
Veröffentlicht: (2025)

Machine Learning Accelerated Descriptor Design for Catalyst Discovery in CO$_2$ to Methanol Conversion
von: Pisal, Prajwal, et al.
Veröffentlicht: (2024)

Developing a Neural Network Machine Learning Interatomic Potential for Molecular Dynamics Simulations of La-Si-P Systems
von: Tang, Ling, et al.
Veröffentlicht: (2025)

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

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

Machine Learning Potentials for Heterogeneous Catalysis
von: Omranpour, Amir, et al.
Veröffentlicht: (2024)

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

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

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

Dielectric Tensor Prediction for Inorganic Materials Using Latent Information from Preferred Potential
von: Mao, Zetian, et al.
Veröffentlicht: (2024)

Stable Machine Learning Potentials for Liquid Metals via Dataset Engineering
von: Tai, Alex, et al.
Veröffentlicht: (2026)

Optimizing Cross-Domain Transfer for Universal Machine Learning Interatomic Potentials
von: Kim, Jaesun, 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 Bond-Order Potential for Exploring the Configuration Space of Carbon
von: Kohata, Ikuma, et al.
Veröffentlicht: (2025)

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

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

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

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)

Modeling High Entropy Alloys' Mechanical Property through Natural Language-Derived Descriptors
von: Hsiao, Li-Cheng, et al.
Veröffentlicht: (2026)

A Semi-Empirical Descriptor for Open Circuit Voltage
von: Baiju, Sourav, et al.
Veröffentlicht: (2025)

Active-Spin-State-Derived Descriptor for Hydrogen Evolution Reaction Catalysis
von: Tan, Yu, et al.
Veröffentlicht: (2025)

Automated Machine Learning Pipeline: Large Language Models-Assisted Automated Dataset Generation for Training Machine-Learned Interatomic Potentials
von: Lahouari, Adam, et al.
Veröffentlicht: (2025)