Buchumschlag

Active Learning Strategies for Efficient Machine-Learned Interatomic Potentials Across Diverse Material Systems

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Khan, Mohammed Azeez, D'Souza, Aaron, Choyal, Vijay
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Efficient and Accurate Spatial Mixing of Machine Learned Interatomic Potentials for Materials Science
von: Birks, Fraser, et al.
Veröffentlicht: (2025)

Accelerating the Training and Improving the Reliability of Machine-Learned Interatomic Potentials for Strongly Anharmonic Materials through Active Learning
von: Kang, Kisung, et al.
Veröffentlicht: (2024)

An Integrative Genome-Scale Metabolic Modeling and Machine Learning Framework for Predicting and Optimizing Single-Cell Protein Production in Saccharomyces cerevisiae
von: Nair, Neha K., et al.
Veröffentlicht: (2026)

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

Smooth Dynamic Cutoffs for Machine Learning Interatomic Potentials
von: Han, Kevin, et al.
Veröffentlicht: (2026)

MatRIS: Toward Reliable and Efficient Pretrained Machine Learning Interatomic Potentials
von: Zhou, Yuanchang, et al.
Veröffentlicht: (2026)

PFT: Phonon Fine-tuning for Machine Learned Interatomic Potentials
von: Koker, Teddy, et al.
Veröffentlicht: (2026)

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

BLIPs: Bayesian Learned Interatomic Potentials
von: Coscia, Dario, et al.
Veröffentlicht: (2025)

Data Curation for Machine Learning Interatomic Potentials by Determinantal Point Processes
von: Zou, Joanna, et al.
Veröffentlicht: (2026)

Benchmarking Compositional Generalisation for Machine Learning Interatomic Potentials
von: Nourollah, Amir Masoud, et al.
Veröffentlicht: (2026)

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)

Tensor Decomposition Networks for Fast Machine Learning Interatomic Potential Computations
von: Lin, Yuchao, et al.
Veröffentlicht: (2025)

Hydrogen under Pressure as a Benchmark for Machine-Learning Interatomic Potentials
von: Bischoff, Thomas, et al.
Veröffentlicht: (2024)

Universal Machine Learning Interatomic Potentials are Ready for Solid Ion Conductors
von: Du, Hongwei, et al.
Veröffentlicht: (2025)

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

Mixture of Experts Framework in Machine Learning Interatomic Potentials for Atomistic Simulations
von: Nascimento, Gabriel de Miranda, et al.
Veröffentlicht: (2026)

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

Equivariant Evidential Deep Learning for Interatomic Potentials
von: Wang, Zhongyao, et al.
Veröffentlicht: (2026)

Proof-Carrying Materials: Falsifiable Safety Certificates for Machine-Learned Interatomic Potentials
von: Basu, Abhinaba, et al.
Veröffentlicht: (2026)

MolCryst-MLIPs: A Machine-Learned Interatomic Potentials Database for Molecular Crystals
von: Lahouari, Adam, et al.
Veröffentlicht: (2026)

Model Accuracy and Data Heterogeneity Shape Uncertainty Quantification in Machine Learning Interatomic Potentials
von: Shuang, Fei, et al.
Veröffentlicht: (2025)

Breaking the Training Barrier of Billion-Parameter Universal Machine Learning Interatomic Potentials
von: Zhou, Yuanchang, et al.
Veröffentlicht: (2026)

Automated Machine Learning Pipeline: Large Language Models-Assisted Automated Dataset Generation for Training Machine-Learned Interatomic Potentials
von: Lahouari, Adam, et al.
Veröffentlicht: (2025)

Global Universal Scaling and Ultra-Small Parameterization in Machine Learning Interatomic Potentials with Super-Linearity
von: Hu, Yanxiao, et al.
Veröffentlicht: (2025)

Energy & Force Regression on DFT Trajectories is Not Enough for Universal Machine Learning Interatomic Potentials
von: Miret, Santiago, et al.
Veröffentlicht: (2025)

TinyTorch: Building Machine Learning Systems from First Principles
von: Reddi, Vijay Janapa
Veröffentlicht: (2026)

Learning Smooth and Expressive Interatomic Potentials for Physical Property Prediction
von: Fu, Xiang, et al.
Veröffentlicht: (2025)

DistMLIP: A Distributed Inference Platform for Machine Learning Interatomic Potentials
von: Han, Kevin, et al.
Veröffentlicht: (2025)

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)

The Importance of Being Scalable: Improving the Speed and Accuracy of Neural Network Interatomic Potentials Across Chemical Domains
von: Qu, Eric, et al.
Veröffentlicht: (2024)

SLE-FNO: Single-Layer Extensions for Task-Agnostic Continual Learning in Fourier Neural Operators
von: Elhadidy, Mahmoud, et al.
Veröffentlicht: (2026)

MOFSimBench: Evaluating Universal Machine Learning Interatomic Potentials In Metal--Organic Framework Molecular Modeling
von: Kraß, Hendrik, et al.
Veröffentlicht: (2025)

Physics-Informed Weakly Supervised Learning for Interatomic Potentials
von: Takamoto, Makoto, et al.
Veröffentlicht: (2024)

Self-Optimizing Machine Learning Potential Assisted Automated Workflow for Highly Efficient Complex Systems Material Design
von: Li, Jiaxiang, et al.
Veröffentlicht: (2025)

Crystal Systems Classification of Phosphate-Based Cathode Materials Using Machine Learning for Lithium-Ion Battery
von: Yadav, Yogesh, et al.
Veröffentlicht: (2025)

Federated Active Learning (F-AL): an Efficient Annotation Strategy for Federated Learning
von: Ahn, Jin-Hyun, et al.
Veröffentlicht: (2022)

SETA: Statistical Fault Attribution for Compound AI Systems
von: Chowdhury, Sayak, et al.
Veröffentlicht: (2026)

Lang2MLIP: End-to-End Language-to-Machine Learning Interatomic Potential Development with Autonomous Agentic Workflows
von: Li, Wenwen, et al.
Veröffentlicht: (2026)