Buchumschlag

Accuracy and Efficiency Benchmarks of Pretrained Machine Learning Potentials for Molecular Simulations

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Eastman, Peter, Pretti, Evan, Markland, Thomas E.
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Chemical Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

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

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

High-Accuracy Molecular Simulations with Machine-Learning Potentials and Semiclassical Approximations to Quantum Dynamics
von: Andreichev, Valerii, et al.
Veröffentlicht: (2026)

Explicit, Machine-Learned Two-Body Potentials for Molecular Simulations
von: Chaton, Kham Lek, et al.
Veröffentlicht: (2026)

Transferability and Accuracy of Ionic Liquid Simulations with Equivariant Machine Learning Interatomic Potentials
von: Goodwin, Zachary A. H., et al.
Veröffentlicht: (2024)

DFT Accuracy on Crystal Structure Prediction with Machine Learning Interatomic Potentials
von: Midgley, Laurence I., et al.
Veröffentlicht: (2026)

Machine Learning Interatomic Potentials: Advancing Open-Source Software for Efficient and Scalable Molecular Simulation
von: Brunken, Christoph, et al.
Veröffentlicht: (2026)

Routine Molecular Dynamics Simulations Including Nuclear Quantum Effects: from Force Fields to Machine Learning Potentials
von: Plé, Thomas, et al.
Veröffentlicht: (2022)

Egret-1: Pretrained Neural Network Potentials for Efficient and Accurate Bioorganic Simulation
von: Mann, Elias L., et al.
Veröffentlicht: (2025)

Benchmarking Universal Machine Learning Interatomic Potentials for Supported Nanoparticles: Decoupling Energy Accuracy from Structural Exploration
von: Xu, Jiayan, et al.
Veröffentlicht: (2025)

Path Integral Methods in Atomistic Modelling: An Introduction
von: Ceriotti, Michele, et al.
Veröffentlicht: (2026)

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

Two-dimensional electronic spectra from trajectory-based dynamics: pure-state Ehrenfest, spin-mapping, and mean classical path approaches
von: Lieberherr, Annina Z., et al.
Veröffentlicht: (2025)

Molecular Quantum Chemical Data Sets and Databases for Machine Learning Potentials
von: Ullah, Arif, et al.
Veröffentlicht: (2024)

Constant-Potential Machine Learning Molecular Dynamics Simulations Reveal Potential-Regulated Cu Cluster Formation on MoS$_{2}$
von: Zhou, Jingwen, et al.
Veröffentlicht: (2024)

Parallelized Givens Ansatz for Molecular ground-states: Bridging Accuracy and Efficiency on NISQ Platforms
von: Nirmal, M. R., et al.
Veröffentlicht: (2025)

i-PI 2.0: A Universal Force Engine for Advanced Molecular Simulations
von: Kapil, Venkat, et al.
Veröffentlicht: (2018)

Accuracy and Limitations of Machine-Learned Interatomic Potentials for Magnetic Systems: A Case Study on Fe-Cr-C
von: Khazieva, E. O., et al.
Veröffentlicht: (2025)

Ionic Liquid Molecular Dynamics Simulation with Machine Learning Force Fields: DPMD and MACE
von: Park, Anseong, et al.
Veröffentlicht: (2025)

Cluster Models for Next-Generation, Machine-Learning-Based Energy Functions for Molecular Simulations
von: Wang, JingChun, et al.
Veröffentlicht: (2025)

Impact of Local Descriptors Derived from Machine Learning Potentials in Graph Neural Networks for Molecular Property Prediction
von: Uchiyama, Ryoichi, et al.
Veröffentlicht: (2026)

Fine-Tuning Unifies Foundational Machine-learned Interatomic Potential Architectures at ab initio Accuracy
von: Hänseroth, Jonas, et al.
Veröffentlicht: (2025)

Machine-Learned Potentials for Solvation Modeling
von: Banchode, Roopshree, et al.
Veröffentlicht: (2025)

Accurate and efficient structure elucidation from routine one-dimensional NMR spectra using multitask machine learning
von: Hu, Frank, et al.
Veröffentlicht: (2024)

Machine Learning and Molecular Simulations Reveal Mechanisms of ZIFs Polymorph Selection
von: Méndez, Emilio, et al.
Veröffentlicht: (2026)

Atomistic Simulations of Oxide-Water Interfaces using Machine Learning Potentials
von: Elsner, Jan, et al.
Veröffentlicht: (2025)

Pretraining Strategy for Neural Potentials
von: Zhang, Zehua, et al.
Veröffentlicht: (2024)

Dynamic Training Enhances Machine Learning Potentials for Long-Lasting Molecular Dynamics
von: Žugec, Ivan, et al.
Veröffentlicht: (2025)

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

Revolutionising Antibacterial Warfare: Machine Learning and Molecular Dynamics Unveiling Potential Gram-Negative Bacteria Inhibitors
von: Joshi, Pritish, et al.
Veröffentlicht: (2025)

HORM: A Large Scale Molecular Hessian Database for Optimizing Reactive Machine Learning Interatomic Potentials
von: Cui, Taoyong, et al.
Veröffentlicht: (2025)

"Gold-Standard" $Δ$-Machine Learned and Transferable Potential for Linear Alkanes
von: Qu, Chen, et al.
Veröffentlicht: (2025)

Optimizing Machine Learning Potentials for Hydroxide Transport: Surprising Efficiency of Single-Concentration Training
von: Hänseroth, Jonas, et al.
Veröffentlicht: (2025)

The Quantum Method of Planes -- Local Pressure Definitions for Machine Learning Potentials
von: Smith, E. R.
Veröffentlicht: (2025)

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

An Equivariant Pretrained Transformer for Unified 3D Molecular Representation Learning
von: Jiao, Rui, et al.
Veröffentlicht: (2024)

Discovering Reaction Mechanisms with Transition Path Sampling-Based Active Learning of Machine-Learned Potentials
von: Lal, Ashique, et al.
Veröffentlicht: (2026)

NepoIP/MM: Towards Accurate Biomolecular Simulation with a Machine Learning/Molecular Mechanics Model Incorporating Polarization Effects
von: Song, Ge, et al.
Veröffentlicht: (2025)

Understanding the Density Maximum of Water with Machine Learned Potentials
von: Song, Yizhi, et al.
Veröffentlicht: (2026)

Flexible Uncertainty Calibration for Machine-Learned Interatomic Potentials
von: Ho, Cheuk Hin, et al.
Veröffentlicht: (2025)