Buchumschlag

Better without U: Impact of Selective Hubbard U Correction on Foundational MLIPs

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Warford, Thomas, Thiemann, Fabian L., Csányi, Gábor
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Chemical Physics Materials Science Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Equivariant Matrix Function Neural Networks
von: Batatia, Ilyes, et al.
Veröffentlicht: (2023)

CrystalREPA: Transferring Physical Priors from Universal MLIPs to Crystal Generative Models
von: Zhang, Chengqian, et al.
Veröffentlicht: (2026)

Force-Free Molecular Dynamics Through Autoregressive Equivariant Networks
von: Thiemann, Fabian L., et al.
Veröffentlicht: (2025)

Machine learning Hubbard parameters with equivariant neural networks
von: Uhrin, Martin, et al.
Veröffentlicht: (2024)

A recipe for scalable attention-based MLIPs: unlocking long-range accuracy with all-to-all node attention
von: Qu, Eric, et al.
Veröffentlicht: (2026)

Foundation Models for Discovery and Exploration in Chemical Space
von: Wadell, Alexius, et al.
Veröffentlicht: (2025)

Pretrained Model Representations as Acquisition Signals for Active Learning of MLIPs
von: Varga-Umbrich, Eszter, et al.
Veröffentlicht: (2026)

Systematic Fine-Tuning of MACE Interatomic Potentials for Catalysis
von: Karimitari, Nima, et al.
Veröffentlicht: (2026)

Multitask learning with semiempirical orbital charges enables sample-efficient MLIPs
von: Neporozhnii, Ihor, et al.
Veröffentlicht: (2026)

Towards Fast, Specialized Machine Learning Force Fields: Distilling Foundation Models via Energy Hessians
von: Amin, Ishan, 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)

Zero Shot Molecular Generation via Similarity Kernels
von: Elijošius, Rokas, et al.
Veröffentlicht: (2024)

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

Reflections from the 2024 Large Language Model (LLM) Hackathon for Applications in Materials Science and Chemistry
von: Zimmermann, Yoel, et al.
Veröffentlicht: (2024)

Manifold Diffusion for Structure Generation of Transition Metal Complexes
von: Schaufelberger, Luca, et al.
Veröffentlicht: (2026)

A chemical language model for reticular materials design
von: Menon, Dhruv, et al.
Veröffentlicht: (2026)

XANE(3): An E(3)-Equivariant Graph Neural Network for Accurate Prediction of XANES Spectra from Atomic Structures
von: Grizzi, Vitor F., et al.
Veröffentlicht: (2026)

Inverse Design of Inorganic Compounds with Generative AI
von: Kneiding, Hannes, et al.
Veröffentlicht: (2026)

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

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)

QT-Net: Rethinking Evaluation of AI Models in Atomic Chemical Space
von: Crespo, Pablo Martínez, et al.
Veröffentlicht: (2026)

Clever Materials: When Models Identify Good Materials for the Wrong Reasons
von: Jablonka, Kevin Maik
Veröffentlicht: (2026)

Orbital Transformers for Predicting Wavefunctions in Time-Dependent Density Functional Theory
von: Zhang, Xuan, et al.
Veröffentlicht: (2026)

Learning the action for long-time-step simulations of molecular dynamics
von: Bigi, Filippo, et al.
Veröffentlicht: (2025)

Model-free quantification of completeness, uncertainties, and outliers in atomistic machine learning using information theory
von: Schwalbe-Koda, Daniel, et al.
Veröffentlicht: (2024)

The Open DAC 2025 Dataset for Sorbent Discovery in Direct Air Capture
von: Sriram, Anuroop, et al.
Veröffentlicht: (2025)

Transferable Learning of Reaction Pathways from Geometric Priors
von: Nam, Juno, et al.
Veröffentlicht: (2025)

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

Kernel Learning Assisted Synthesis Condition Exploration for Ternary Spinel
von: Liu, Yutong, et al.
Veröffentlicht: (2025)

Adapting OC20-trained EquiformerV2 Models for High-Entropy Materials
von: Clausen, Christian M., et al.
Veröffentlicht: (2024)

Many-body Expansion Based Machine Learning Models for Octahedral Transition Metal Complexes
von: Meyer, Ralf, et al.
Veröffentlicht: (2024)

Vibrational Fingerprints of Strained Polymers: A Spectroscopic Pathway to Mechanical State Prediction
von: Konrad, Julian, et al.
Veröffentlicht: (2025)

Learning Ordering in Crystalline Materials with Symmetry-Aware Graph Neural Networks
von: Peng, Jiayu, et al.
Veröffentlicht: (2024)

Leveraging Data Mining, Active Learning, and Domain Adaptation in a Multi-Stage, Machine Learning-Driven Approach for the Efficient Discovery of Advanced Acidic Oxygen Evolution Electrocatalysts
von: Ding, Rui, et al.
Veröffentlicht: (2024)

Predicting band gap from chemical composition: A simple learned model for a material property with atypical statistics
von: Ma, Andrew, et al.
Veröffentlicht: (2025)

An Explainable AI Model for Binary LJ Fluids
von: Hashmi, Israrul H, 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)

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

Deep Learning for GWP Prediction: A Framework Using PCA, Quantile Transformation, and Ensemble Modeling
von: Rajapriya, Navin, et al.
Veröffentlicht: (2024)

General-Purpose Models for the Chemical Sciences: LLMs and Beyond
von: Alampara, Nawaf, et al.
Veröffentlicht: (2025)