Copertina

How to Train a Shallow Ensemble

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Schäfer, Moritz, Kellner, Matthias, Kästner, Johannes, Ceriotti, Michele
Natura:	Preprint
Pubblicazione:	2026
Soggetti:	Chemical Physics
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

Uncertainty quantification by direct propagation of shallow ensembles
di: Kellner, Matthias, et al.
Pubblicazione: (2024)

Enhanced Representation-Based Sampling for the Efficient Generation of Datasets for Machine-Learned Interatomic Potentials
di: Schäfer, Moritz René, et al.
Pubblicazione: (2026)

Prediction rigidities for data-driven chemistry
di: Chong, Sanggyu, et al.
Pubblicazione: (2024)

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

Quantum-corrected NMR crystallography at scale
di: Kellner, Matthias, et al.
Pubblicazione: (2026)

Apax: A Flexible and Performant Framework For The Development of Machine-Learned Interatomic Potentials
di: Schäfer, Moritz René, et al.
Pubblicazione: (2025)

A deep learning model for chemical shieldings in molecular organic solids including anisotropy
di: Kellner, Matthias, et al.
Pubblicazione: (2025)

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

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

PET-MAD, a lightweight universal interatomic potential for advanced materials modeling
di: Mazitov, Arslan, et al.
Pubblicazione: (2025)

Atom-Density Representations for Machine Learning
di: Willatt, Michael J., et al.
Pubblicazione: (2018)

The dark side of the forces: assessing non-conservative force models for atomistic machine learning
di: Bigi, Filippo, et al.
Pubblicazione: (2024)

Fast and Accurate Uncertainty Estimation in Chemical Machine Learning
di: Musil, Felix, et al.
Pubblicazione: (2018)

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

Representing spherical tensors with scalar-based machine-learning models
di: Domina, Michelangelo, et al.
Pubblicazione: (2025)

Probing the effects of broken symmetries in machine learning
di: Langer, Marcel F., et al.
Pubblicazione: (2024)

FlashMD: long-stride, universal prediction of molecular dynamics
di: Bigi, Filippo, et al.
Pubblicazione: (2025)

Beyond the Training Domain: Robust Generative Transition State Models for Unseen Chemistry
di: Darouich, Samir, et al.
Pubblicazione: (2026)

Learning Long-Range Representations with Equivariant Messages
di: Rumiantsev, Egor, et al.
Pubblicazione: (2025)

Accuracy of Charge Densities in Electronic Structure Calculations
di: Gubler, Moritz, et al.
Pubblicazione: (2024)

Metatensor and metatomic: foundational libraries for interoperable atomistic machine learning
di: Bigi, Filippo, et al.
Pubblicazione: (2025)

Mechanistic study of mixed lithium halides solid state electrolytes
di: Tisi, Davide, et al.
Pubblicazione: (2025)

Pushing the limits of unconstrained machine-learned interatomic potentials
di: Bigi, Filippo, et al.
Pubblicazione: (2026)

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

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

Smooth, exact rotational symmetrization for deep learning on point clouds
di: Pozdnyakov, Sergey N., et al.
Pubblicazione: (2023)

Simultaneous Learning of Static and Dynamic Charges
di: Stärk, Philipp, et al.
Pubblicazione: (2026)

A Transferable Machine-Learning Model of the Electron Density
di: Grisafi, Andrea, et al.
Pubblicazione: (2018)

Completeness of Atomic Structure Representations
di: Nigam, Jigyasa, et al.
Pubblicazione: (2023)

Exploring the design space of machine-learning models for quantum chemistry with a fully differentiable framework
di: Suman, Divya, et al.
Pubblicazione: (2025)

i-PI 3.0: a flexible and efficient framework for advanced atomistic simulations
di: Litman, Yair, et al.
Pubblicazione: (2024)

Accurate molecular polarizabilities with coupled-cluster theory and machine learning
di: Wilkins, David M., et al.
Pubblicazione: (2018)

Adaptive Transition State Refinement with Learned Equilibrium Flows
di: Darouich, Samir, et al.
Pubblicazione: (2025)

Modeling the structural and thermal properties of loaded metal-organic frameworks. An interplay of quantum and anharmonic fluctuations
di: Kapil, Venkat, et al.
Pubblicazione: (2019)

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

Diffusive vs. non-diffusive paths to interstellar hydrogen peroxide. A machine learning-based molecular dynamics study
di: Poštulka, Jan, et al.
Pubblicazione: (2025)

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

Ab initio thermodynamics of liquid and solid water
di: Cheng, Bingqing, et al.
Pubblicazione: (2018)

Fast and flexible long-range models for atomistic machine learning
di: Loche, Philip, et al.
Pubblicazione: (2024)

Robustness of Local Predictions in Atomistic Machine Learning Models
di: Chong, Sanggyu, et al.
Pubblicazione: (2023)