Buchumschlag

Data-driven approach to the design of complexing agents for trivalent transuranium elements

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Karpov, Kirill V., Pikulin, Ivan S., Bokov, Grigory V., Mitrofanov, Artem A.
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Chemical Physics Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Explainable Data-driven Modeling of Adsorption Energy in Heterogeneous Catalysis
von: Vinchurkar, Tirtha, et al.
Veröffentlicht: (2024)

A Fast and Accurate Semi-Empirical Approach for Hydrogen-Exchange Kinetic Isotope Effect Evaluation
von: Rudenko, Mikhail, et al.
Veröffentlicht: (2025)

Data-driven construction of machine-learning-based interatomic potentials for gas-surface scattering dynamics: the case of NO on graphite
von: Del Fré, Samuel, et al.
Veröffentlicht: (2026)

Twins in rotational spectroscopy: Does a rotational spectrum uniquely identify a molecule?
von: Schwarting, Marcus, et al.
Veröffentlicht: (2024)

An Artificial Intelligence (AI) workflow for catalyst design and optimization
von: Lai, Nung Siong, et al.
Veröffentlicht: (2024)

Diagnosing and fixing common problems in Bayesian optimization for molecule design
von: Tripp, Austin, et al.
Veröffentlicht: (2024)

Evaluating the Progression of Large Language Model Capabilities for Small-Molecule Drug Design
von: Chennakesavalu, Shriram, et al.
Veröffentlicht: (2026)

Efficient interpolation of molecular properties across chemical compound space with low-dimensional descriptors
von: Mao, Yun-Wen, et al.
Veröffentlicht: (2023)

Multi-objective fluorescent molecule design with a data-physics dual-driven generative framework
von: Li, Yanheng, et al.
Veröffentlicht: (2026)

A chemical language model for reticular materials design
von: Menon, Dhruv, et al.
Veröffentlicht: (2026)

Hybrid physics-based and data-driven modeling with calibrated uncertainty for lithium-ion battery degradation diagnosis and prognosis
von: Lin, Jing, et al.
Veröffentlicht: (2021)

Gradual Optimization Learning for Conformational Energy Minimization
von: Tsypin, Artem, et al.
Veröffentlicht: (2023)

Graph Neural Networks embedded into Margules model for vapor-liquid equilibria prediction
von: Medina, Edgar Ivan Sanchez, et al.
Veröffentlicht: (2025)

GraphXForm: Graph transformer for computer-aided molecular design
von: Pirnay, Jonathan, et al.
Veröffentlicht: (2024)

$\nabla^2$DFT: A Universal Quantum Chemistry Dataset of Drug-Like Molecules and a Benchmark for Neural Network Potentials
von: Khrabrov, Kuzma, et al.
Veröffentlicht: (2024)

Data-Error Scaling Laws in Machine Learning on Combinatorial Mutation-prone Sets: Proteins and Small Molecules
von: Doffini, Vanni, et al.
Veröffentlicht: (2024)

Molecule Generation and Optimization for Efficient Fragrance Creation
von: Rodrigues, Bruno C. L., et al.
Veröffentlicht: (2024)

OpenQDC: Open Quantum Data Commons
von: Gabellini, Cristian, et al.
Veröffentlicht: (2024)

Autotuning T-PaiNN: Enabling Data-Efficient GNN Interatomic Potential Development via Classical-to-Quantum Transfer Learning
von: Pelletier, Vivienne, et al.
Veröffentlicht: (2026)

Are we making much progress? Revisiting chemical reaction yield prediction from an imbalanced regression perspective
von: Ma, Yihong, et al.
Veröffentlicht: (2024)

Nutmeg and SPICE: Models and Data for Biomolecular Machine Learning
von: Eastman, Peter, et al.
Veröffentlicht: (2024)

How False Data Affects Machine Learning Models in Electrochemistry?
von: Deshsorna, Krittapong, et al.
Veröffentlicht: (2023)

Transfer Learning for Molecular Property Predictions from Small Data Sets
von: Kirschbaum, Thorren, et al.
Veröffentlicht: (2024)

Physical Consistency Bridges Heterogeneous Data in Molecular Multi-Task Learning
von: Ren, Yuxuan, et al.
Veröffentlicht: (2024)

Stable and Accurate Orbital-Free DFT Powered by Machine Learning
von: Remme, Roman, et al.
Veröffentlicht: (2025)

ReactionTeam: Teaming Experts for Divergent Thinking Beyond Typical Reaction Patterns
von: Guo, Taicheng, et al.
Veröffentlicht: (2023)

CREMP: Conformer-rotamer ensembles of macrocyclic peptides for machine learning
von: Grambow, Colin A., et al.
Veröffentlicht: (2023)

Data-Driven Parametrization of Molecular Mechanics Force Fields for Expansive Chemical Space Coverage
von: Zheng, Tianze, et al.
Veröffentlicht: (2024)

A Kaczmarz-inspired approach to accelerate the optimization of neural network wavefunctions
von: Goldshlager, Gil, et al.
Veröffentlicht: (2024)

EspalomaCharge: Machine learning-enabled ultra-fast partial charge assignment
von: Wang, Yuanqing, et al.
Veröffentlicht: (2023)

Nonparametric Reaction Coordinate Optimization with Histories: A Framework for Rare Event Dynamics
von: Banushkina, Polina V., et al.
Veröffentlicht: (2025)

Transferable FB-GNN-MBE Framework for Potential Energy Surfaces: Data-Adaptive Transfer Learning in Deep Learned Many-Body Expansion Theory
von: Chen, Siqi, et al.
Veröffentlicht: (2026)

GraphVAMPNet, using graph neural networks and variational approach to markov processes for dynamical modeling of biomolecules
von: Ghorbani, Mahdi, et al.
Veröffentlicht: (2022)

Investigating Data Hierarchies in Multifidelity Machine Learning for Excitation Energies
von: Vinod, Vivin, et al.
Veröffentlicht: (2024)

Benchmarking Data Efficiency in $Δ$-ML and Multifidelity Models for Quantum Chemistry
von: Vinod, Vivin, et al.
Veröffentlicht: (2024)

Gradient-Guided Furthest Point Sampling for Robust Training Set Selection
von: Trestman, Morris, et al.
Veröffentlicht: (2025)

Surrogate Functionals for Machine-Learned Orbital-Free Density Functional Theory
von: Remme, Roman, et al.
Veröffentlicht: (2026)

Energy-Based Coarse-Graining in Molecular Dynamics: A Flow-Based Framework without Data
von: Stupp, Maximilian, et al.
Veröffentlicht: (2025)

Teaching Language Models Mechanistic Explainability Through MechSMILES
von: Neukomm, Théo A., et al.
Veröffentlicht: (2025)

Look the Other Way: Designing 'Positive' Molecules with Negative Data via Task Arithmetic
von: Özçelik, Rıza, et al.
Veröffentlicht: (2025)