Buchumschlag

Molecular electrostatic potentials from machine learning models for dipole and quadrupole predictions

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Muuga, Kadri, Knijff, Lisanne, Zhang, Chao
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Chemical Physics Materials Science
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Electric Double Layer at the Metal-Oxide/Electrolyte Interface
von: Knijff, Lisanne, et al.
Veröffentlicht: (2022)

Long-range electrostatics for machine learning interatomic potentials is easier than we thought
von: Kim, Dongjin, et al.
Veröffentlicht: (2025)

A foundation machine learning potential with polarizable long-range interactions for materials modelling
von: Gao, Rongzhi, et al.
Veröffentlicht: (2024)

Universal rapid machine learning models for predicting unconvoluted and convoluted X-ray Absorption Spectra
von: Zhan, Fei, et al.
Veröffentlicht: (2026)

Multimodal machine learning with large language embedding model for polymer property prediction
von: Zhang, Tianren, et al.
Veröffentlicht: (2025)

Self-learning path integral hybrid Monte Carlo with mixed ab initio and machine learning potentials for modeling nuclear quantum effects in water
von: Thomsen, Bo, et al.
Veröffentlicht: (2024)

Errors that matter: Uncertainty-aware universal machine-learning potentials calibrated on experiments
von: Kellner, Matthias, et al.
Veröffentlicht: (2026)

Reaction dynamics of lithium-mediated electrolyte decomposition using machine learning potentials
von: Kundu, Sohang, et al.
Veröffentlicht: (2025)

A dual-cutoff machine-learned potential for condensed organic systems obtained via uncertainty-guided active learning
von: Kahle, Leonid, et al.
Veröffentlicht: (2024)

Bayesian Neural Networks versus deep ensembles for uncertainty quantification in machine learning interatomic potentials
von: Farris, Riccardo, et al.
Veröffentlicht: (2025)

A universal machine learning model for the electronic density of states
von: How, Wei Bin, et al.
Veröffentlicht: (2025)

Constructing accurate machine-learned potentials and performing highly efficient atomistic simulations to predict structural and thermal properties
von: Liu, Junlan, et al.
Veröffentlicht: (2024)

Unifying the description of hydrocarbons and hydrogenated carbon materials with a chemically reactive machine learning interatomic potential
von: Ibragimova, Rina, et al.
Veröffentlicht: (2024)

Adaptive energy reference for machine-learning models of the electronic density of states
von: How, Wei Bin, et al.
Veröffentlicht: (2024)

Reducing cross-sample prediction churn in scientific machine learning
von: Prastalo, Gordan, et al.
Veröffentlicht: (2026)

Comparing the latent features of universal machine-learning interatomic potentials
von: Chorna, Sofiia, et al.
Veröffentlicht: (2025)

Polarizable atomic multipoles for learning long-range electrostatics
von: Kim, Dongjin, et al.
Veröffentlicht: (2026)

Interpolation and differentiation of alchemical degrees of freedom in machine learning interatomic potentials
von: Nam, Juno, et al.
Veröffentlicht: (2024)

How accurate are foundational machine learning interatomic potentials for heterogeneous catalysis?
von: Kempen, Luuk H. E., et al.
Veröffentlicht: (2025)

Transferability of the chemical bond-based machine learning model for dipole moment: the GHz to THz dielectric properties of liquid propylene glycol and polypropylene glycol
von: Amano, Tomohito, et al.
Veröffentlicht: (2024)

Simulation of hydrogen adsorption in hierarchical silicalite: Role of electrostatics and surface chemistry
von: Gautam, Siddharth, et al.
Veröffentlicht: (2024)

Molecular Modelling of Aqueous Batteries
von: van Hees, Alicia, et al.
Veröffentlicht: (2024)

Effect of uniaxial compressive stress on polarization switching and domain wall formation in tetragonal phase BaTiO3 via machine learning potential
von: Chen, Po-Yen, et al.
Veröffentlicht: (2026)

Comparing classical and machine learning force fields for modeling deformation of solid sorbents relevant for direct air capture
von: Brabson, Logan M., et al.
Veröffentlicht: (2025)

A machine-learned kinetic energy model for light weight metals and compounds of group III-V elements
von: Lüder, Johann, et al.
Veröffentlicht: (2024)

A general formalism for machine-learning models based on multipolar-spherical harmonics
von: Domina, Michelangelo, et al.
Veröffentlicht: (2025)

How unconstrained machine-learning models learn physical symmetries
von: Domina, Michelangelo, et al.
Veröffentlicht: (2026)

High-quality, high-information datasets for universal atomistic machine learning
von: Malosso, Cesare, et al.
Veröffentlicht: (2026)

Point defect formation at finite temperatures with machine learning force fields
von: Mosquera-Lois, Irea, et al.
Veröffentlicht: (2024)

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

Machine learned potential for defected single layer hexagonal boron nitride
von: Janisch, John, et al.
Veröffentlicht: (2025)

A machine-learning framework for accelerating spin-lattice relaxation simulations
von: Briganti, Valerio, et al.
Veröffentlicht: (2024)

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

Massive Atomic Diversity: a compact universal dataset for atomistic machine learning
von: Mazitov, Arslan, et al.
Veröffentlicht: (2025)

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

Can machines learn density functionals? Past, present, and future of ML in DFT
von: Akashi, Ryosuke, 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)

Bridging electronic and classical density-functional theory using universal machine-learned functional approximations
von: Kelley, Michelle M., et al.
Veröffentlicht: (2024)

Revealing the molecular structures of a-Al2O3(0001)-water interface by machine learning based computational vibrational spectroscopy
von: Du, Xianglong, et al.
Veröffentlicht: (2024)

Unraveling Antagonistic Collision-Controlled Reactivity in Energetic Molecular Perovskites with Deep Potential Molecular Dynamics
von: Guo, Ming-Yu, et al.
Veröffentlicht: (2025)