Buchumschlag

MDcraft -- a modern molecular dynamics simulation package with machine learning potentials support

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Galtsov, I. S., Muratov, R. V., Vyskvarko, G. V., Murzov, S. A., Dyachkov, S. A., Levashov, P. R.
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computational Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Phase space path integral representation of the dynamic structure factor. Monte Carlo simulation of strongly correlated soft-sphere fermions
von: Filinov, V. S., et al.
Veröffentlicht: (2024)

Extraordinary manifestation of near electrostatic field caused by macroscopic quantum shell effects in submicron hemispherical clusters
von: Kuratov, S. E., et al.
Veröffentlicht: (2024)

Modeling of shock wave passage through porous copper using moving window technique and kernel gradient correction in smoothed particle hydrodynamics method
von: Rublev, G. D., et al.
Veröffentlicht: (2024)

Overcoming the chemical complexity bottleneck in on-the-fly machine learned molecular dynamics simulations
von: Timmerman, Lucas R., et al.
Veröffentlicht: (2024)

Path-integral molecular dynamics with actively-trained and universal machine learning force fields
von: Solovykh, A. A., et al.
Veröffentlicht: (2025)

Basic stability tests of machine learning potentials for molecular simulations in computational drug discovery
von: Ranasinghe, Kavindri, et al.
Veröffentlicht: (2025)

Molecular dynamics of nondegenerate hydrogen plasma using improved Kelbg pseudopotential with electron finite-size correction
von: Demyanov, G. S., et al.
Veröffentlicht: (2025)

N‐convergence in one–component plasma: Comparison of Coulomb, Ewald, and angular–averaged Ewald potentials
von: G. S. Demyanov, et al.
Veröffentlicht: (2024)

Fluctuation relations to calculate protein redox potentials from molecular dynamics simulations
von: Oliveira, A. S. F., et al.
Veröffentlicht: (2023)

Adjusting the numerical viscosity in the Godunov-like SPH method at modeling compressible flows
von: Parshikov, A. N., et al.
Veröffentlicht: (2023)

Ultra-fast interpretable machine-learning potentials
von: Xie, Stephen R., et al.
Veröffentlicht: (2021)

Accelerating material melting temperature predictions by implementing machine learning potentials in the SLUSCHI package
von: CampBell, Audrey, et al.
Veröffentlicht: (2024)

One--Component Plasma Equation of State Revisited via Angular--Averaged Ewald Potential
von: Demyanov, G. S., et al.
Veröffentlicht: (2025)

Understanding solid nitrogen through machine learning simulation
von: Kirsz, Marcin, et al.
Veröffentlicht: (2024)

Molecular dynamics simulations of heat transport using machine-learned potentials: A mini review and tutorial on GPUMD with neuroevolution potentials
von: Dong, Haikuan, et al.
Veröffentlicht: (2024)

MAD-SURF: a machine learning interatomic potential for molecular adsorption on coinage metal surfaces
von: Lastre, Manuel González, et al.
Veröffentlicht: (2026)

Tracking electron capture processes in classical molecular dynamics simulations for spectral line broadening in plasmas
von: González-Herrero, D., et al.
Veröffentlicht: (2025)

RBMD: A molecular dynamics package enabling to simulate 10 million all-atom particles in a single graphics processing unit
von: Gao, Weihang, et al.
Veröffentlicht: (2024)

The transformative capability of quantum-accurate machine learning interatomic potentials
von: Correa, Alfredo A., et al.
Veröffentlicht: (2025)

Generating new coordination compounds via multireference simulations, genetic algorithms and machine learning: the case of Co(II) molecular magnets
von: Frangoulis, Lion, et al.
Veröffentlicht: (2025)

Revealing the proton slingshot mechanism in solid acid electrolytes through machine learning molecular dynamics
von: Wang, Menghang, et al.
Veröffentlicht: (2025)

Accurate and efficient machine learning interatomic potentials for finite temperature modeling of molecular crystals
von: Della Pia, Flaviano, et al.
Veröffentlicht: (2025)

MicroMagnetic.jl: A Julia package for micromagnetic and atomistic simulations with GPU support
von: Wang, Weiwei, et al.
Veröffentlicht: (2024)

Accelerating fourth-generation machine learning potentials by quasi-linear scaling particle mesh charge equilibration
von: Gubler, Moritz, et al.
Veröffentlicht: (2024)

Structure and dynamics of the magnetite(001)/water interface from molecular dynamics simulations based on a neural network potential
von: Romano, Salvatore, et al.
Veröffentlicht: (2024)

Recognizing and generating knotted molecular structures by machine learning
von: Zhang, Zhiyu, et al.
Veröffentlicht: (2025)

Long-range machine-learning potentials with environment-dependent charges enable predicting LO-TO splitting and dielectric constants
von: Korogod, Dmitry, et al.
Veröffentlicht: (2026)

Performance of universal machine-learned potentials with explicit long-range interactions in biomolecular simulations
von: Zaverkin, Viktor, et al.
Veröffentlicht: (2025)

QMol-grid: A MATLAB package for quantum-mechanical simulations in atomic and molecular systems
von: Mauger, Francois, et al.
Veröffentlicht: (2024)

Accelerating point defect simulations using data-driven and machine learning approaches
von: Mannodi-Kanakkithodi, Arun, et al.
Veröffentlicht: (2026)

PAL -- Parallel active learning for machine-learned potentials
von: Zhou, Chen, et al.
Veröffentlicht: (2024)

chemtrain-deploy: A parallel and scalable framework for machine learning potentials in million-atom MD simulations
von: Fuchs, Paul, et al.
Veröffentlicht: (2025)

Fast and accurate machine-learned interatomic potentials for large-scale simulations of Cu, Al and Ni
von: Fellman, Aslak, et al.
Veröffentlicht: (2024)

Thermometry of simulated Bose--Einstein condensates using machine learning
von: Griffiths, Jack, et al.
Veröffentlicht: (2025)

Coarse-graining bistability with the Martini force field
von: Muratov, Alexander D., et al.
Veröffentlicht: (2024)

Quantum-centric machine learning for molecular dynamics
von: Tao, Yanxian, et al.
Veröffentlicht: (2025)

Teachers that teach the irrelevant: Pre-training machine learned interaction potentials with classical force fields for robust molecular dynamics simulations
von: Yuan, Eric C. -Y., et al.
Veröffentlicht: (2025)

Uncertainty-biased molecular dynamics for learning uniformly accurate interatomic potentials
von: Zaverkin, Viktor, et al.
Veröffentlicht: (2023)

Microscopic origin of polytype-dependent melting in SiC revealed by machine-learning molecular dynamics
von: Stojanović, Ljiljana, et al.
Veröffentlicht: (2026)

Enhancing molecular dynamics with equivariant machine-learned densities
von: Bogojeski, Mihail, et al.
Veröffentlicht: (2026)