Buchumschlag

AceFF: A State-of-the-Art Machine Learning Potential for Small Molecules

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Farr, Stephen E., Doerr, Stefan, Mirarchi, Antonio, Zariquiey, Francesc Sabanes, De Fabritiis, Gianni
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

QuantumBind-RBFE: Accurate Relative Binding Free Energy Calculations Using Neural Network Potentials
von: Zariquiey, Francesc Sabanés, et al.
Veröffentlicht: (2025)

Machine Learning Potentials: A Roadmap Toward Next-Generation Biomolecular Simulations
von: De Fabritiis, Gianni
Veröffentlicht: (2024)

Enhancing Protein-Ligand Binding Affinity Predictions using Neural Network Potentials
von: Zariquiey, Francesc Sabanes, et al.
Veröffentlicht: (2024)

Thermodynamics-Informed Accurate pKa Prediction and Protonation State Generation in PlayMolecule AI
von: Pesce, Francesco, et al.
Veröffentlicht: (2026)

Broadening the Scope of Neural Network Potentials through Direct Inclusion of Additional Molecular Attributes
von: Simeon, Guillem, et al.
Veröffentlicht: (2024)

TorchMD-Net 2.0: Fast Neural Network Potentials for Molecular Simulations
von: Pelaez, Raul P., et al.
Veröffentlicht: (2024)

AMARO: All Heavy-Atom Transferable Neural Network Potentials of Protein Thermodynamics
von: Mirarchi, Antonio, 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)

mdCATH: A Large-Scale MD Dataset for Data-Driven Computational Biophysics
von: Mirarchi, Antonio, et al.
Veröffentlicht: (2024)

Multi-Fidelity Machine Learning for Excited State Energies of Molecules
von: Vinod, Vivin, et al.
Veröffentlicht: (2023)

Machine Learning Coarse-Grained Potentials of Protein Thermodynamics
von: Majewski, Maciej, et al.
Veröffentlicht: (2022)

INN-FF: A Scalable and Efficient Machine Learning Potential for Molecular Dynamics
von: Mehereen, Taskin, et al.
Veröffentlicht: (2025)

PlayMolecule pKAce: Small Molecule Protonation through Equivariant Neural Networks
von: Schapin, Nikolai, et al.
Veröffentlicht: (2024)

GridFF: Efficient Simulation of Organic Molecules on Rigid Substrates
von: Mal, Indranil, et al.
Veröffentlicht: (2025)

PlayMolecule Viewer: a toolkit for the visualization of molecules and other data
von: Torrens-Fontanals, Mariona, et al.
Veröffentlicht: (2023)

The Evolution of Machine Learning Potentials for Molecules, Reactions and Materials
von: Xia, Junfan, et al.
Veröffentlicht: (2025)

Beyond Learning on Molecules by Weakly Supervising on Molecules
von: Prastalo, Gordan, et al.
Veröffentlicht: (2026)

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

QMe14S, A Comprehensive and Efficient Spectral Dataset for Small Organic Molecules
von: Yuan, Mingzhi, et al.
Veröffentlicht: (2025)

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

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

Scaling Machine Learning Interatomic Potentials with Mixtures of Experts
von: Liu, Yuzhi, et al.
Veröffentlicht: (2026)

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

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)

Design Space of Self--Consistent Electrostatic Machine Learning Interatomic Potentials
von: Baldwin, William J., et al.
Veröffentlicht: (2026)

Transfer Learning across Different Chemical Domains: Virtual Screening of Organic Materials with Deep Learning Models Pretrained on Small Molecule and Chemical Reaction Data
von: Zhang, Chengwei, et al.
Veröffentlicht: (2023)

Federated Learning from Molecules to Processes: A Perspective
von: Rittig, Jan G., et al.
Veröffentlicht: (2025)

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

Atomic Diffusion Models for Small Molecule Structure Elucidation from NMR Spectra
von: Xiong, Ziyu, et al.
Veröffentlicht: (2025)

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

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

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

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

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

Towards Linearly Scaling and Chemically Accurate Global Machine Learning Force Fields for Large Molecules
von: Kabylda, Adil, et al.
Veröffentlicht: (2022)

Machine Learning Nonadiabatic Dynamics: Eliminating Phase Freedom of Nonadiabatic Couplings with the State-Intraction State-Averaged Spin-Restricted Ensemble-Referenced Kohn-Sham Approach
von: Moon, Sung Wook, et al.
Veröffentlicht: (2024)

Enhancing Accuracy and Feature Insights in Hydration Free Energy Predictions for Small Molecules with Machine Learning
von: Han, Mingjun, et al.
Veröffentlicht: (2024)

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

On Machine Learning Approaches for Protein-Ligand Binding Affinity Prediction
von: Schapin, Nikolai, et al.
Veröffentlicht: (2024)