Buchumschlag

Projected Hessian Learning: Fast Curvature Supervision for Accurate Machine-Learning Interatomic Potentials

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Rodriguez, Austin, Smith, Justin S., Matin, Sakib, Lubbers, Nicholas, Barros, Kipton, Mendoza-Cortes, Jose L.
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Chemical Physics Artificial Intelligence Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

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

Does Hessian Data Improve the Performance of Machine Learning Potentials?
von: Rodriguez, Austin, et al.
Veröffentlicht: (2025)

Reactive Chemistry at Unrestricted Coupled Cluster Level: High-throughput Calculations for Training Machine Learning Potentials
von: Allen, Alice E. A., et al.
Veröffentlicht: (2025)

Machine Learning Framework for Modeling Exciton-Polaritons in Molecular Materials
von: Li, Xinyang, et al.
Veröffentlicht: (2023)

Multi-fidelity learning for interatomic potentials: Low-level forces and high-level energies are all you need
von: Messerly, Mitchell, et al.
Veröffentlicht: (2025)

Machine Learned Hückel Theory: Interfacing Physics and Deep Neural Networks
von: Zubatyuk, Tetiana, et al.
Veröffentlicht: (2019)

Knowledge Distillation of Noisy Force Labels for Improved Coarse-Grained Force Fields
von: Olowookere, Feranmi V., et al.
Veröffentlicht: (2025)

Teacher-student training improves accuracy and efficiency of machine learning interatomic potentials
von: Matin, Sakib, et al.
Veröffentlicht: (2025)

Node-Equivariant Message Passing for Efficient and Accurate Machine Learning Interatomic Potentials
von: Zhang, Yaolong, 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)

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

Learning Thermal Response Forces: A Method for Extending the Thermodynamic Transferability of Coarse-Grained Models via Machine-Learning
von: Sahrmann, Patrick G., et al.
Veröffentlicht: (2026)

Predicting Spectroscopic Properties of Solvated Nile Red with Automated Workflows for Machine Learned Interatomic Potentials
von: Eller, Jacob, et al.
Veröffentlicht: (2025)

Thermodynamic Transferability in Coarse-Grained Force Fields using Graph Neural Networks
von: Shinkle, Emily, et al.
Veröffentlicht: (2024)

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)

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

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

Shoot from the HIP: Hessian Interatomic Potentials without derivatives
von: Burger, Andreas, et al.
Veröffentlicht: (2025)

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

Developing a Machine-Learning Interatomic Potential for Non-Covalent Interactions in Proteins
von: Zeng, Lejia, et al.
Veröffentlicht: (2026)

Reliable and Efficient Automated Transition-State Searches with Machine-Learned Interatomic Potentials
von: Marks, Jonah, et al.
Veröffentlicht: (2026)

Physics-Informed Weakly Supervised Learning for Interatomic Potentials
von: Takamoto, Makoto, et al.
Veröffentlicht: (2024)

Scaling Machine Learning Interatomic Potentials with Mixtures of Experts
von: Liu, Yuzhi, et al.
Veröffentlicht: (2026)

Extrapolation of Machine-Learning Interatomic Potentials for Organic and Polymeric Systems
von: Hooven, Natalie E., et al.
Veröffentlicht: (2025)

MLIPilot: LLM-Driven Auto-Research for Machine-Learned Interatomic Potentials
von: Osaro, Etinosa, et al.
Veröffentlicht: (2026)

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

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

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

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

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

Machine Learning Interatomic Potentials: library for efficient training, model development and simulation of molecular systems
von: Brunken, Christoph, et al.
Veröffentlicht: (2025)

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

Augmenting Molecular Graphs with Geometries via Machine Learning Interatomic Potentials
von: Fu, Cong, et al.
Veröffentlicht: (2025)

Enhancing Molecular Dipole Moment Prediction with Multitask Machine Learning
von: Colglazier, William, 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)

Optimal Invariant Bases for Atomistic Machine Learning
von: Allen, Alice E. A., et al.
Veröffentlicht: (2025)

Benchmarking Universal Machine-Learned Interatomic Potentials for High-Temperature Metal-Organic Framework Chemistry
von: Edwards, Connor W., et al.
Veröffentlicht: (2026)