Buchumschlag

Interpretable Machine Learning for Quantum-Informed Property Predictions in Artificial Sensing Materials

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Chen, Li, Sandonas, Leonardo Medrano, Huang, Shirong, Croy, Alexander, Cuniberti, Gianaurelio
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Chemical Physics Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Are nonequilibrium effects relevant for chiral molecule discrimination?
von: Ravera, Federico, et al.
Veröffentlicht: (2025)

Data-Driven Thermal and Mechanical Modeling of Defective Covalent Organic Frameworks
von: Szewczyk, Aleksander, et al.
Veröffentlicht: (2026)

On-the-Fly Machine Learning of Interatomic Potentials for Elastic Property Modeling in Al-Mg-Zr Solid Solutions
von: Volkmer, Lukas, et al.
Veröffentlicht: (2025)

Machine-Learned Electrostatic Potentials for Accurate Hydration Free Energy Calculations
von: Hilfiker, Mathias, et al.
Veröffentlicht: (2025)

Chemically-Informed Machine Learning Approach for Prediction of Reactivity Ratios in Radical Copolymerization
von: Safari, Habibollah, et al.
Veröffentlicht: (2025)

Assessing Non-Nested Configurations of Multifidelity Machine Learning for Quantum-Chemical Properties
von: Vinod, Vivin, et al.
Veröffentlicht: (2024)

A Structured Framework for Predicting Sustainable Aviation Fuel Properties using Liquid-Phase FTIR and Machine Learning
von: Comesana, Ana E., et al.
Veröffentlicht: (2024)

Integrating Machine Learning and Quantum Circuits for Proton Affinity Predictions
von: Jin, Hongni, et al.
Veröffentlicht: (2024)

Meta-Learning Linear Models for Molecular Property Prediction
von: Pimonova, Yulia, et al.
Veröffentlicht: (2025)

Graph Neural Networks for Surfactant Multi-Property Prediction
von: Brozos, Christoforos, et al.
Veröffentlicht: (2024)

Material Property Prediction using Graphs based on Generically Complete Isometry Invariants
von: Balasingham, Jonathan, et al.
Veröffentlicht: (2022)

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

Molecular Machine Learning in Chemical Process Design
von: Rittig, Jan G., et al.
Veröffentlicht: (2025)

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

From 2015 to 2023: How Machine Learning Aids Natural Product Analysis
von: Shi, Suwen, et al.
Veröffentlicht: (2024)

Quantum-Inspired Machine Learning for Molecular Docking
von: Shu, Runqiu, et al.
Veröffentlicht: (2024)

FragNet: A Graph Neural Network for Molecular Property Prediction with Four Levels of Interpretability
von: Panapitiya, Gihan, et al.
Veröffentlicht: (2024)

From Local Atomic Environments to Molecular Information Entropy
von: Croy, Alexander
Veröffentlicht: (2024)

Beyond the Black Box: An Interpretable Machine Learning Framework for Predicting Electronic Structure Microdescriptors and Structure-Performance Relationships in Fe-based Catalytic Systems
von: Romiluyi, Oyinkansola
Veröffentlicht: (2026)

Machine Learning Force Fields
von: Unke, Oliver T., et al.
Veröffentlicht: (2020)

Ensemble Learning of Machine Learning Force Fields
von: Yin, Bangchen, et al.
Veröffentlicht: (2024)

QeMFi: A Multifidelity Dataset of Quantum Chemical Properties of Diverse Molecules
von: Vinod, Vivin, et al.
Veröffentlicht: (2024)

Artificial Intelligence for Direct Prediction of Molecular Dynamics Across Chemical Space
von: Ge, Fuchun, et al.
Veröffentlicht: (2025)

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

The Convergence Frontier: Integrating Machine Learning and High Performance Quantum Computing for Next-Generation Drug Discovery
von: Ansari, Narjes, et al.
Veröffentlicht: (2026)

Predictive Free Energy Simulations Through Hierarchical Distillation of Quantum Hamiltonians
von: Li, Chenghan, et al.
Veröffentlicht: (2025)

Machine-Learning Interatomic Potentials for Long-Range Systems
von: Ji, Yajie, et al.
Veröffentlicht: (2025)

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

Hybrid Quantum--Classical Machine Learning Potential with Variational Quantum Circuits
von: Willow, Soohaeng Yoo, et al.
Veröffentlicht: (2025)

Active Learning for Generalizable Detonation Performance Prediction of Energetic Materials
von: Ullberg, R. Seaton, et al.
Veröffentlicht: (2026)

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

Outlier-Detection for Reactive Machine Learned Potential Energy Surfaces
von: Vazquez-Salazar, Luis Itza, et al.
Veröffentlicht: (2024)

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

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

Self-consistent Validation for Machine Learning Electronic Structure
von: Hu, Gengyuan, et al.
Veröffentlicht: (2024)

DeepMech: A Machine Learning Framework for Chemical Reaction Mechanism Prediction
von: Das, Manajit, et al.
Veröffentlicht: (2025)

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

Advancing Molecular Machine Learning Representations with Stereoelectronics-Infused Molecular Graphs
von: Boiko, Daniil A., et al.
Veröffentlicht: (2024)

Generalization of Long-Range Machine Learning Potentials in Complex Chemical Spaces
von: Sanocki, Michal, et al.
Veröffentlicht: (2025)

MLIPilot: LLM-Driven Auto-Research for Machine-Learned Interatomic Potentials
von: Osaro, Etinosa, et al.
Veröffentlicht: (2026)