Buchumschlag

Benchmarking Universal Interatomic Potentials on Zeolite Structures

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ito, Shusuke, Muraoka, Koki, Nakayama, Akira
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Materials Science Artificial Intelligence Chemical Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

From Evaluation to Design: Using Potential Energy Surface Smoothness Metrics to Guide Machine Learning Interatomic Potential Architectures
von: Liu, Ryan, et al.
Veröffentlicht: (2026)

Benchmarking Universal Machine Learning Interatomic Potentials for Supported Nanoparticles: Decoupling Energy Accuracy from Structural Exploration
von: Xu, Jiayan, et al.
Veröffentlicht: (2025)

Benchmarking Universal Machine-Learned Interatomic Potentials for High-Temperature Metal-Organic Framework Chemistry
von: Edwards, Connor W., et al.
Veröffentlicht: (2026)

Expanding Universal Machine Learning Interatomic Potentials to 97 Elements Towards Nuclear Applications
von: Kuroda, Naoya, et al.
Veröffentlicht: (2026)

Systematic Fine-Tuning of MACE Interatomic Potentials for Catalysis
von: Karimitari, Nima, et al.
Veröffentlicht: (2026)

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

Efficient Grand Canonical Global Optimization with On-the-fly-trained Machine-learning Interatomic Potentials
von: Dominguez, Jon Eunan Quinlivan, et al.
Veröffentlicht: (2025)

Enhancing the Quality and Reliability of Machine Learning Interatomic Potentials through Better Reporting Practices
von: Maxson, Tristan, et al.
Veröffentlicht: (2024)

Advancing Universal Deep Learning for Electronic-Structure Hamiltonian Prediction of Materials
von: Yin, Shi, et al.
Veröffentlicht: (2025)

Modeling the Behavior of Complex Aqueous Electrolytes Using Machine Learning Interatomic Potentials: The Case of Sodium Sulfate
von: Soyemi, Ademola, et al.
Veröffentlicht: (2025)

Data-Efficient Construction of High-Fidelity Graph Deep Learning Interatomic Potentials
von: Ko, Tsz Wai, et al.
Veröffentlicht: (2024)

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

Characterizing Defect Dynamics in Silicon Carbide Using Symmetry-Adapted Collective Variables and Machine Learning Interatomic Potentials
von: Dutta, Soumajit, et al.
Veröffentlicht: (2025)

Equivariant Machine Learning Interatomic Potentials with Global Charge Redistribution
von: Maruf, Moin Uddin, et al.
Veröffentlicht: (2025)

GENIUS: An Agentic AI Framework for Autonomous Design and Execution of Simulation Protocols
von: Soleymanibrojeni, Mohammad, et al.
Veröffentlicht: (2025)

Establishing baselines for generative discovery of inorganic crystals
von: Szymanski, Nathan J., et al.
Veröffentlicht: (2025)

Symmetry-Constrained Generation of Diverse Low-Bandgap Molecules with Monte Carlo Tree Search
von: Subramanian, Akshay, et al.
Veröffentlicht: (2024)

ChemGraph-XANES: An Agentic Framework for XANES Simulation and Analysis
von: Grizzi, Vitor F., et al.
Veröffentlicht: (2026)

AI-Guided Discovery of Novel Ionic Liquid Solvents for Industrial CO2 Capture
von: Garbelotto, Davide, et al.
Veröffentlicht: (2026)

MLIP Arena: Advancing Fairness and Transparency in Machine Learning Interatomic Potentials via an Open, Accessible Benchmark Platform
von: Chiang, Yuan, et al.
Veröffentlicht: (2025)

DPA4: Pushing the Accuracy-Cost Frontier of Interatomic Potentials with EMFA SO(2) Convolution
von: Li, Tiancheng, et al.
Veröffentlicht: (2026)

COFAP: A Universal Framework for COFs Adsorption Prediction through Designed Multi-Modal Extraction and Cross-Modal Synergy
von: Li, Zihan, et al.
Veröffentlicht: (2025)

Revealing Hydroxide Ion Transport Mechanisms in Commercial Anion-Exchange Membranes at Nano-Scale from Machine-learned Interatomic Potential Simulations
von: Hänseroth, Jonas, et al.
Veröffentlicht: (2026)

Best Practices for Fitting Machine Learning Interatomic Potentials for Molten Salts: A Case Study Using NaCl-MgCl2
von: Attarian, Siamak, et al.
Veröffentlicht: (2024)

Accuracy and Limitations of Machine-Learned Interatomic Potentials for Magnetic Systems: A Case Study on Fe-Cr-C
von: Khazieva, E. O., et al.
Veröffentlicht: (2025)

Accelerating Complex Materials Discovery with Universal Machine-Learning Potential-Driven Structure Prediction
von: An, Yuqi, et al.
Veröffentlicht: (2026)

Harnessing AtomisticSkills for Agentic Atomistic Research
von: Deng, Bowen, et al.
Veröffentlicht: (2026)

Escaping the Hydrolysis Trap: An Agentic Workflow for Inverse Design of Durable Photocatalytic Covalent Organic Frameworks
von: Peivaste, Iman, et al.
Veröffentlicht: (2026)

Cutting Through the Noise: On-the-fly Outlier Detection for Robust Training of Machine Learning Interatomic Potentials
von: Lam, Terry C. W., et al.
Veröffentlicht: (2026)

Competitive Adsorption of Toluene and Water in MFI-type Zeolites
von: Arbiv, Gavriel, et al.
Veröffentlicht: (2025)

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

Perovskite-R1: a domain-specialized large language model for intelligent discovery of precursor additives and experimental design
von: Wang, Xin-De, et al.
Veröffentlicht: (2025)

Enhancing the Scalability and Applicability of Kohn-Sham Hamiltonians for Molecular Systems
von: Li, Yunyang, et al.
Veröffentlicht: (2025)

Evaluating Large Language Models in Scientific Discovery
von: Song, Zhangde, et al.
Veröffentlicht: (2025)

Accelerating Scientific Discovery with Autonomous Goal-evolving Agents
von: Du, Yuanqi, et al.
Veröffentlicht: (2025)

Spiers Memorial Lecture: How to do impactful research in artificial intelligence for chemistry and materials science
von: Cheng, Austin, et al.
Veröffentlicht: (2024)

Are large language models superhuman chemists?
von: Mirza, Adrian, et al.
Veröffentlicht: (2024)

LEAP: A closed-loop framework for perovskite precursor additive discovery
von: Wang, Xin-De, et al.
Veröffentlicht: (2026)

Pushing the Pareto front of band gap and permittivity: ML-guided search for dielectric materials
von: Riebesell, Janosh, et al.
Veröffentlicht: (2024)

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