Buchumschlag

From Evaluation to Design: Using Potential Energy Surface Smoothness Metrics to Guide Machine Learning Interatomic Potential Architectures

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Liu, Ryan, Qu, Eric, Kreiman, Tobias, Blau, Samuel M., Krishnapriyan, Aditi S.
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Materials Science Artificial Intelligence Chemical Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Understanding and Mitigating Distribution Shifts For Machine Learning Force Fields
von: Kreiman, Tobias, et al.
Veröffentlicht: (2025)

MLIP Arena: Advancing Fairness and Transparency in Machine Learning Interatomic Potentials via an Open, Accessible Benchmark Platform
von: Chiang, Yuan, et al.
Veröffentlicht: (2025)

Transformers Discover Molecular Structure Without Graph Priors
von: Kreiman, Tobias, et al.
Veröffentlicht: (2025)

Action-Minimization Meets Generative Modeling: Efficient Transition Path Sampling with the Onsager-Machlup Functional
von: Raja, Sanjeev, et al.
Veröffentlicht: (2025)

Towards Fast, Specialized Machine Learning Force Fields: Distilling Foundation Models via Energy Hessians
von: Amin, Ishan, et al.
Veröffentlicht: (2025)

Modeling the Behavior of Complex Aqueous Electrolytes Using Machine Learning Interatomic Potentials: The Case of Sodium Sulfate
von: Soyemi, Ademola, 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)

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

Characterizing Defect Dynamics in Silicon Carbide Using Symmetry-Adapted Collective Variables and Machine Learning Interatomic Potentials
von: Dutta, Soumajit, et al.
Veröffentlicht: (2025)

Expanding Universal Machine Learning Interatomic Potentials to 97 Elements Towards Nuclear Applications
von: Kuroda, Naoya, et al.
Veröffentlicht: (2026)

Enhancing the Quality and Reliability of Machine Learning Interatomic Potentials through Better Reporting Practices
von: Maxson, Tristan, et al.
Veröffentlicht: (2024)

Benchmarking Universal Machine-Learned Interatomic Potentials for High-Temperature Metal-Organic Framework Chemistry
von: Edwards, Connor 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)

Efficient Grand Canonical Global Optimization with On-the-fly-trained Machine-learning Interatomic Potentials
von: Dominguez, Jon Eunan Quinlivan, et al.
Veröffentlicht: (2025)

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

Best Practices for Fitting Machine Learning Interatomic Potentials for Molten Salts: A Case Study Using NaCl-MgCl2
von: Attarian, Siamak, et al.
Veröffentlicht: (2024)

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)

Stability-Aware Training of Machine Learning Force Fields with Differentiable Boltzmann Estimators
von: Raja, Sanjeev, et al.
Veröffentlicht: (2024)

Benchmarking Universal Interatomic Potentials on Zeolite Structures
von: Ito, Shusuke, et al.
Veröffentlicht: (2025)

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

Enabling Efficient Equivariant Operations in the Fourier Basis via Gaunt Tensor Products
von: Luo, Shengjie, et al.
Veröffentlicht: (2024)

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)

Data-Efficient Construction of High-Fidelity Graph Deep Learning Interatomic Potentials
von: Ko, Tsz Wai, et al.
Veröffentlicht: (2024)

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

Bridging the Simulation-to-Experiment Gap with Generative Models using Adversarial Distribution Alignment
von: Nelson, Kai, et al.
Veröffentlicht: (2026)

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

Revealing Hydroxide Ion Transport Mechanisms in Commercial Anion-Exchange Membranes at Nano-Scale from Machine-learned Interatomic Potential Simulations
von: Hänseroth, Jonas, et al.
Veröffentlicht: (2026)

Machine Learning Potentials for Heterogeneous Catalysis
von: Omranpour, Amir, et al.
Veröffentlicht: (2024)

Prediction and Experimental Verification of Electrolyte Solvation Structure from an OMol25-Trained Interatomic Potential
von: Kumar, Nitesh, et al.
Veröffentlicht: (2026)

MLIPAudit: A benchmarking tool for Machine Learned Interatomic Potentials
von: Wehrhan, Leon, et al.
Veröffentlicht: (2025)

False Metallization in Short-Ranged Machine Learned Interatomic Potentials
von: Parker, Isaac J., et al.
Veröffentlicht: (2026)

Resolving the Body-Order Paradox of Machine Learning Interatomic Potentials
von: Chong, Sanggyu, et al.
Veröffentlicht: (2025)

Matlantis-PFP v8: Universal Machine Learning Interatomic Potential with Better Experimental Agreements via r2SCAN Functional
von: Shinagawa, Chikashi, et al.
Veröffentlicht: (2026)

Random Spin Committee Approach For Smooth Interatomic Potentials
von: Cărare, Vlad, et al.
Veröffentlicht: (2024)

Ensemble Knowledge Distillation for Machine Learning Interatomic Potentials
von: Matin, Sakib, et al.
Veröffentlicht: (2025)

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

Developing a Neural Network Machine Learning Interatomic Potential for Molecular Dynamics Simulations of La-Si-P Systems
von: Tang, Ling, et al.
Veröffentlicht: (2025)

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

Design, Assessment, and Application of Machine Learning Potential Energy Surfaces
von: Andreichev, Valerii, et al.
Veröffentlicht: (2025)

Foundation Models for Atomistic Simulation of Chemistry and Materials
von: Yuan, Eric C. -Y., et al.
Veröffentlicht: (2025)