:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Kumar, Nitesh, Lai, Jianwei, Mezerkor, Casey S., Wang, Jiaqi, Wiaderek, Kamila M., Bazak, J. David, Blau, Samuel M., Crumlin, Ethan J.
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Chemical Physics
Online-Zugang:	https://arxiv.org/abs/2603.20183
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

The Open Molecules 2025 (OMol25) Dataset, Evaluations, and Models
von: Levine, Daniel S., et al.
Veröffentlicht: (2025)

From Evaluation to Design: Using Potential Energy Surface Smoothness Metrics to Guide Machine Learning Interatomic Potential Architectures
von: Liu, Ryan, 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)

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

MLIP Arena: Advancing Fairness and Transparency in Machine Learning Interatomic Potentials via an Open, Accessible Benchmark Platform
von: Chiang, Yuan, 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)

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

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

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

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

Geometry-enhanced Pre-training on Interatomic Potentials
von: Cui, Taoyong, et al.
Veröffentlicht: (2023)

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

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

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

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

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

Machine-Learned Leftmost Hessian Eigenvectors for Robust Transition State Finding
von: Wu, Guanchen, 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 Interatomic Potentials on Zeolite Structures
von: Ito, Shusuke, 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)

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

Random Spin Committee Approach For Smooth Interatomic Potentials
von: Cărare, Vlad, 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)

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

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)

All-atomistic Transferable Neural Potentials for Protein Solvation
von: Dey, Rishabh, et al.
Veröffentlicht: (2026)

Advancing Molecular Machine Learning Representations with Stereoelectronics-Infused Molecular Graphs
von: Boiko, Daniil A., et al.
Veröffentlicht: (2024)

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)

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

Equivariant Machine Learning Interatomic Potentials with Global Charge Redistribution
von: Maruf, Moin Uddin, 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)

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

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

Autotuning T-PaiNN: Enabling Data-Efficient GNN Interatomic Potential Development via Classical-to-Quantum Transfer Learning
von: Pelletier, Vivienne, et al.
Veröffentlicht: (2026)