Buchumschlag

Gradient-Guided Furthest Point Sampling for Robust Training Set Selection

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Trestman, Morris, Gugler, Stefan, Faber, Felix A., von Lilienfeld, O. A.
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Chemical Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

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

Molecular relaxation by reverse diffusion with time step prediction
von: Kahouli, Khaled, et al.
Veröffentlicht: (2024)

Molecular Similarity in Machine Learning of Energies in Chemical Reaction Networks
von: Gugler, Stefan, et al.
Veröffentlicht: (2025)

Generative Pseudo-Force Fields for Molecular Generation
von: Hessmann, Stefaan Simon Pierre, et al.
Veröffentlicht: (2026)

Alchemical diastereomers from antisymmetric alchemical perturbations
von: von Lilienfeld, O. Anatole, et al.
Veröffentlicht: (2023)

A Priori Sampling of Transition States with Guided Diffusion
von: Lim, Hyukjun, et al.
Veröffentlicht: (2026)

Generalized convolutional many body distribution functional representations
von: Khan, Danish, et al.
Veröffentlicht: (2024)

Alchemical geometry relaxation
von: Domenichini, Giorgio, et al.
Veröffentlicht: (2022)

Equivariant Matrix Function Neural Networks
von: Batatia, Ilyes, et al.
Veröffentlicht: (2023)

Alchemical insights into approximately quadratic energies of iso-electronic atoms
von: Krug, Simon León, et al.
Veröffentlicht: (2024)

The Alchemical Integral Transform revisited
von: Krug, Simon León, et al.
Veröffentlicht: (2023)

Combining Hammett $σ$ constants for $Δ$-machine learning and catalyst discovery
von: Rakotonirina, V. Diana, et al.
Veröffentlicht: (2024)

MōLe-Λ: Learning the Coupled-Cluster Response State for Energies, Gradients, and Properties
von: Burger, Andreas, 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)

Wasserstein metric for improved QML with adjacency matrix representations
von: Çaylak, Onur, et al.
Veröffentlicht: (2020)

Adaptive atomic basis sets
von: Khan, Danish, et al.
Veröffentlicht: (2024)

Alchemical harmonic approximation based potential for iso-electronic diatomics: Foundational baseline for $Δ$-machine learning
von: Krug, Simon León, et al.
Veröffentlicht: (2024)

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

Flow Perturbation to Accelerate Unbiased Sampling of Boltzmann distribution
von: Peng, Xin, et al.
Veröffentlicht: (2024)

Complete and Efficient Covariants for 3D Point Configurations with Application to Learning Molecular Quantum Properties
von: Maennel, Hartmut, et al.
Veröffentlicht: (2024)

Machine Learning of Slow Collective Variables and Enhanced Sampling via Spatial Techniques
von: Gökdemir, Tuğçe, et al.
Veröffentlicht: (2024)

HybridLinker: Topology-Guided Posterior Sampling for Enhanced Diversity and Validity in 3D Molecular Linker Generation
von: Hwang, Minyeong, et al.
Veröffentlicht: (2025)

Energy-Guided Generative Modeling for Low-Energy Molecular Structure Discovery
von: Xu, Guikun, et al.
Veröffentlicht: (2025)

Hammett-Inspired Product Baseline for Data-efficient $Δ$-ML in Chemical Space
von: Rakotonirina, V. Diana, et al.
Veröffentlicht: (2023)

Beyond Force Metrics: Pre-Training MLFFs for Stable MD Simulations
von: Maheshwari, Shagun, et al.
Veröffentlicht: (2025)

Using GNN property predictors as molecule generators
von: Therrien, Félix, et al.
Veröffentlicht: (2024)

Approximate Label Symmetries Improve Data Scaling
von: Kim, Scott Y. H., et al.
Veröffentlicht: (2026)

Reducing Training Data Needs with Minimal Multilevel Machine Learning (M3L)
von: Heinen, Stefan, et al.
Veröffentlicht: (2023)

Sort & Slice: A Simple and Superior Alternative to Hash-Based Folding for Extended-Connectivity Fingerprints
von: Dablander, Markus, et al.
Veröffentlicht: (2024)

RoFt-Mol: Benchmarking Robust Fine-Tuning with Molecular Graph Foundation Models
von: Liu, Shikun, et al.
Veröffentlicht: (2025)

Adaptive Pruning for Increased Robustness and Reduced Computational Overhead in Gaussian Process Accelerated Saddle Point Searches
von: Goswami, Rohit, et al.
Veröffentlicht: (2025)

Pushing the Limits of All-Atom Geometric Graph Neural Networks: Pre-Training, Scaling and Zero-Shot Transfer
von: Pengmei, Zihan, et al.
Veröffentlicht: (2024)

From Peptides to Nanostructures: A Euclidean Transformer for Fast and Stable Machine Learned Force Fields
von: Frank, J. Thorben, et al.
Veröffentlicht: (2023)

AUGUR, A flexible and efficient optimization algorithm for identification of optimal adsorption sites
von: Kouroudis, Ioannis, et al.
Veröffentlicht: (2024)

Enhanced Sampling for Efficient Learning of Coarse-Grained Machine Learning Potentials
von: Chen, Weilong, et al.
Veröffentlicht: (2025)

Reweighted Manifold Learning of Collective Variables from Enhanced Sampling Simulations
von: Rydzewski, Jakub, et al.
Veröffentlicht: (2022)

A Tutorial Review of Bayesian Optimization with Gaussian Processes to Accelerate Stationary Point Searches
von: Goswami, Rohit
Veröffentlicht: (2026)

All-in-one foundational models learning across quantum chemical levels
von: Chen, Yuxinxin, et al.
Veröffentlicht: (2024)

Efficient Implementation of Gaussian Process Regression Accelerated Saddle Point Searches with Application to Molecular Reactions
von: Goswami, Rohit, et al.
Veröffentlicht: (2025)

Self-Consistency Training for Density-Functional-Theory Hamiltonian Prediction
von: Zhang, He, et al.
Veröffentlicht: (2024)