Salvato in:
| Autori principali: | Bonakala, Satyanarayana, Wahiduzzaman, Mohammad, Watanabe, Taku, Hamzaoui, Karim, Maurin, Guillaume |
|---|---|
| Natura: | Preprint |
| Pubblicazione: |
2025
|
| Soggetti: | |
| Accesso online: | https://arxiv.org/abs/2509.06719 |
| Tags: |
Aggiungi Tag
Nessun Tag, puoi essere il primo ad aggiungerne!!
|
Documenti analoghi
High-Throughput Computational Exploration of MOFs for Short-Chain PFAS Removal
di: Zhang, Mengru, et al.
Pubblicazione: (2026)
di: Zhang, Mengru, et al.
Pubblicazione: (2026)
Decoding local framework dynamics in the ultra-small pore MOF MIL-120(Al) CO2 sorbent with Machine Learned Potentials
di: Fan, Dong, et al.
Pubblicazione: (2025)
di: Fan, Dong, et al.
Pubblicazione: (2025)
Screening of Material Defects using Universal Machine‐Learning Interatomic Potentials
di: Ethan Berger, et al.
Pubblicazione: (2025)
di: Ethan Berger, et al.
Pubblicazione: (2025)
Oriented Titanium‐MOF Membrane for Hydrogen Purification
di: Sixing Chen, et al.
Pubblicazione: (2024)
di: Sixing Chen, et al.
Pubblicazione: (2024)
Molecular‐Level Insight into the Chlorofluorocarbons Adsorption by Defective Covalent Organic Polymers
di: Jian Shen, et al.
Pubblicazione: (2024)
di: Jian Shen, et al.
Pubblicazione: (2024)
Classical and Machine Learning Interatomic Potentials for BCC Vanadium
di: Wang, Rui, et al.
Pubblicazione: (2022)
di: Wang, Rui, et al.
Pubblicazione: (2022)
Energy & Force Regression on DFT Trajectories is Not Enough for Universal Machine Learning Interatomic Potentials
di: Miret, Santiago, et al.
Pubblicazione: (2025)
di: Miret, Santiago, et al.
Pubblicazione: (2025)
Unconventional mechanical and thermal behaviors of MOF CALF-20
di: Fan, Dong, et al.
Pubblicazione: (2023)
di: Fan, Dong, et al.
Pubblicazione: (2023)
Universally Accurate or Specifically Inadequate? Stress‐Testing General Purpose Machine Learning Interatomic Potentials
di: Konstantin S. Jakob, et al.
Pubblicazione: (2025)
di: Konstantin S. Jakob, et al.
Pubblicazione: (2025)
Universal Machine Learning Interatomic Potentials are Ready for Phonons
di: Loew, Antoine, et al.
Pubblicazione: (2024)
di: Loew, Antoine, et al.
Pubblicazione: (2024)
MLIP-MC: A Framework for Adsorption Simulations using Machine-Learned Interatomic Potentials
di: Edwards, Connor W., et al.
Pubblicazione: (2026)
di: Edwards, Connor W., et al.
Pubblicazione: (2026)
Node-Equivariant Message Passing for Efficient and Accurate Machine Learning Interatomic Potentials
di: Zhang, Yaolong, et al.
Pubblicazione: (2025)
di: Zhang, Yaolong, et al.
Pubblicazione: (2025)
Efficient and Accurate Spatial Mixing of Machine Learned Interatomic Potentials for Materials Science
di: Birks, Fraser, et al.
Pubblicazione: (2025)
di: Birks, Fraser, et al.
Pubblicazione: (2025)
Expanding Universal Machine Learning Interatomic Potentials to 97 Elements Towards Nuclear Applications
di: Kuroda, Naoya, et al.
Pubblicazione: (2026)
di: Kuroda, Naoya, et al.
Pubblicazione: (2026)
A Lightweight Universal Machine-Learning Interatomic Potential via Knowledge Distillation for Scalable Atomistic Simulations
di: Oh, Sangmin, et al.
Pubblicazione: (2026)
di: Oh, Sangmin, et al.
Pubblicazione: (2026)
Benchmarking Universal Machine Learning Interatomic Potentials on Elemental Systems
di: Tahmasbi, Hossein, et al.
Pubblicazione: (2025)
di: Tahmasbi, Hossein, et al.
Pubblicazione: (2025)
Comparing the Latent Features of Universal Machine‐Learning Interatomic Potentials
di: Sofiia Chorna, et al.
Pubblicazione: (2026)
di: Sofiia Chorna, et al.
Pubblicazione: (2026)
Projected Hessian Learning: Fast Curvature Supervision for Accurate Machine-Learning Interatomic Potentials
di: Rodriguez, Austin, et al.
Pubblicazione: (2026)
di: Rodriguez, Austin, et al.
Pubblicazione: (2026)
Small-Cell-Based Fast Active Learning of Machine Learning Interatomic Potentials
di: Meng, Zijian, et al.
Pubblicazione: (2025)
di: Meng, Zijian, et al.
Pubblicazione: (2025)
Accurate and Efficient Interatomic Potentials for Dislocations in InP
di: Rocke, Thomas, et al.
Pubblicazione: (2026)
di: Rocke, Thomas, et al.
Pubblicazione: (2026)
Scalable Data-Driven Basis Selection for Linear Machine Learning Interatomic Potentials
di: Torabi, Tina, et al.
Pubblicazione: (2025)
di: Torabi, Tina, et al.
Pubblicazione: (2025)
Optimizing Cross-Domain Transfer for Universal Machine Learning Interatomic Potentials
di: Kim, Jaesun, et al.
Pubblicazione: (2025)
di: Kim, Jaesun, et al.
Pubblicazione: (2025)
Benchmarking Universal Machine Learning Interatomic Potentials for Elastic Property Prediction
di: Gao, Pengfei, et al.
Pubblicazione: (2025)
di: Gao, Pengfei, et al.
Pubblicazione: (2025)
Universal Machine Learning Interatomic Potentials are Ready for Solid Ion Conductors
di: Du, Hongwei, et al.
Pubblicazione: (2025)
di: Du, Hongwei, et al.
Pubblicazione: (2025)
Machine Learning Interatomic Potential for Alumina
di: Galib, Musanna
Pubblicazione: (2025)
di: Galib, Musanna
Pubblicazione: (2025)
Machine-Learning-Based Interatomic Potentials for Group IIB to VIA Semiconductors: Towards a Universal Model
di: Liu, Jianchuan, et al.
Pubblicazione: (2023)
di: Liu, Jianchuan, et al.
Pubblicazione: (2023)
Efficient and Accurate Machine Learning Interatomic Potential for Graphene: Capturing Stress-Strain and Vibrational Properties
di: Hawthorne, Felipe, et al.
Pubblicazione: (2025)
di: Hawthorne, Felipe, et al.
Pubblicazione: (2025)
Synthetic Aspects and Characterization Needs in MOF Chemistry – from Discovery to Applications
di: Bastian Achenbach, et al.
Pubblicazione: (2025)
di: Bastian Achenbach, et al.
Pubblicazione: (2025)
Mixture of Experts Framework in Machine Learning Interatomic Potentials for Atomistic Simulations
di: Nascimento, Gabriel de Miranda, et al.
Pubblicazione: (2026)
di: Nascimento, Gabriel de Miranda, et al.
Pubblicazione: (2026)
Breaking the Training Barrier of Billion-Parameter Universal Machine Learning Interatomic Potentials
di: Zhou, Yuanchang, et al.
Pubblicazione: (2026)
di: Zhou, Yuanchang, et al.
Pubblicazione: (2026)
Bias in Universal Machine-Learned Interatomic Potentials and its Effects on Fine-Tuning
di: Wong, Nicolas, et al.
Pubblicazione: (2026)
di: Wong, Nicolas, et al.
Pubblicazione: (2026)
Challenges and Advancements in the Health-Related Quality of Life of Older People
di: Moustaq Karim Khan Rony, et al.
Pubblicazione: (2024)
di: Moustaq Karim Khan Rony, et al.
Pubblicazione: (2024)
Machine-Learning Interatomic Potential for Twisted Hexagonal Boron Nitride: Accurate Structural Relaxation and Emergent Polarization
di: Luna, Wilson Nieto, et al.
Pubblicazione: (2025)
di: Luna, Wilson Nieto, et al.
Pubblicazione: (2025)
Machine Learning Interatomic Potentials: Advancing Open-Source Software for Efficient and Scalable Molecular Simulation
di: Brunken, Christoph, et al.
Pubblicazione: (2026)
di: Brunken, Christoph, et al.
Pubblicazione: (2026)
MatRIS: Toward Reliable and Efficient Pretrained Machine Learning Interatomic Potentials
di: Zhou, Yuanchang, et al.
Pubblicazione: (2026)
di: Zhou, Yuanchang, et al.
Pubblicazione: (2026)
Machine Learning Interatomic Potentials with Keras API
di: Rili, James Paolo
Pubblicazione: (2024)
di: Rili, James Paolo
Pubblicazione: (2024)
Machine Learning Interatomic Potentials for Heterogeneous Catalysis
di: Deqi Tang, et al.
Pubblicazione: (2024)
di: Deqi Tang, et al.
Pubblicazione: (2024)
Benchmarking Universal Interatomic Potentials on Zeolite Structures
di: Ito, Shusuke, et al.
Pubblicazione: (2025)
di: Ito, Shusuke, et al.
Pubblicazione: (2025)
Confronting Interatomic Force Measurements
di: Dagdeviren, Omur E
Pubblicazione: (2019)
di: Dagdeviren, Omur E
Pubblicazione: (2019)
Towards Linearly Scaling and Chemically Accurate Global Machine Learning Force Fields for Large Molecules
di: Kabylda, Adil, et al.
Pubblicazione: (2022)
di: Kabylda, Adil, et al.
Pubblicazione: (2022)
Documenti analoghi
-
High-Throughput Computational Exploration of MOFs for Short-Chain PFAS Removal
di: Zhang, Mengru, et al.
Pubblicazione: (2026) -
Decoding local framework dynamics in the ultra-small pore MOF MIL-120(Al) CO2 sorbent with Machine Learned Potentials
di: Fan, Dong, et al.
Pubblicazione: (2025) -
Screening of Material Defects using Universal Machine‐Learning Interatomic Potentials
di: Ethan Berger, et al.
Pubblicazione: (2025) -
Oriented Titanium‐MOF Membrane for Hydrogen Purification
di: Sixing Chen, et al.
Pubblicazione: (2024) -
Molecular‐Level Insight into the Chlorofluorocarbons Adsorption by Defective Covalent Organic Polymers
di: Jian Shen, et al.
Pubblicazione: (2024)