Autotuning T-PaiNN: Enabling Data-Efficient GNN Interatomic Potential Development via Classical-to-Quantum Transfer Learning
Fuente:
arXiv
Salvato in:
| Autori principali: | Pelletier, Vivienne, Bhat, Vedant, Rivera, Daniel J., Wilson, Steven A., Muhich, Christopher L. |
|---|---|
| Natura: | Preprint |
| Pubblicazione: |
2026
|
| Soggetti: | |
| Accesso online: | |
| Tags: |
Aggiungi Tag
Nessun Tag, puoi essere il primo ad aggiungerne!!
|
Documenti analoghi
Active Transfer Bagging: A New Approach for Accelerated Active Learning Acquisition of Data by Combined Transfer Learning and Bagging Based Models
di: Pelletier, Vivienne, et al.
Pubblicazione: (2026)
di: Pelletier, Vivienne, 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)
di: Schäfer, Moritz René, et al.
Pubblicazione: (2025)
Developing a Machine-Learning Interatomic Potential for Non-Covalent Interactions in Proteins
di: Zeng, Lejia, et al.
Pubblicazione: (2026)
di: Zeng, Lejia, et al.
Pubblicazione: (2026)
Node-Equivariant Message Passing for Efficient and Accurate Machine Learning Interatomic Potentials
di: Zhang, Yaolong, et al.
Pubblicazione: (2025)
di: Zhang, Yaolong, et al.
Pubblicazione: (2025)
Reliable and Efficient Automated Transition-State Searches with Machine-Learned Interatomic Potentials
di: Marks, Jonah, et al.
Pubblicazione: (2026)
di: Marks, Jonah, et al.
Pubblicazione: (2026)
Transferability and Accuracy of Ionic Liquid Simulations with Equivariant Machine Learning Interatomic Potentials
di: Goodwin, Zachary A. H., et al.
Pubblicazione: (2024)
di: Goodwin, Zachary A. H., et al.
Pubblicazione: (2024)
Systematic Fine-Tuning of MACE Interatomic Potentials for Catalysis
di: Karimitari, Nima, et al.
Pubblicazione: (2026)
di: Karimitari, Nima, et al.
Pubblicazione: (2026)
Data-Efficient Construction of High-Fidelity Graph Deep Learning Interatomic Potentials
di: Ko, Tsz Wai, et al.
Pubblicazione: (2024)
di: Ko, Tsz Wai, 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)
di: Schäfer, Moritz René, et al.
Pubblicazione: (2026)
Flexible Uncertainty Calibration for Machine-Learned Interatomic Potentials
di: Ho, Cheuk Hin, et al.
Pubblicazione: (2025)
di: Ho, Cheuk Hin, et al.
Pubblicazione: (2025)
Machine Learning Interatomic Potentials: Advancing Open-Source Software for Efficient and Scalable Molecular Simulation
di: Brunken, Christoph, et al.
Pubblicazione: (2026)
di: Brunken, Christoph, et al.
Pubblicazione: (2026)
Liquid-Vapor Phase Equilibrium in Molten Aluminum Chloride (AlCl3) Enabled by Machine Learning Interatomic Potentials
di: Chahal, Rajni, et al.
Pubblicazione: (2024)
di: Chahal, Rajni, et al.
Pubblicazione: (2024)
MLIPAudit: A benchmarking tool for Machine Learned Interatomic Potentials
di: Wehrhan, Leon, et al.
Pubblicazione: (2025)
di: Wehrhan, Leon, et al.
Pubblicazione: (2025)
False Metallization in Short-Ranged Machine Learned Interatomic Potentials
di: Parker, Isaac J., et al.
Pubblicazione: (2026)
di: Parker, Isaac J., et al.
Pubblicazione: (2026)
Resolving the Body-Order Paradox of Machine Learning Interatomic Potentials
di: Chong, Sanggyu, et al.
Pubblicazione: (2025)
di: Chong, Sanggyu, et al.
Pubblicazione: (2025)
Geometry-enhanced Pre-training on Interatomic Potentials
di: Cui, Taoyong, et al.
Pubblicazione: (2023)
di: Cui, Taoyong, et al.
Pubblicazione: (2023)
Transferable FB-GNN-MBE Framework for Potential Energy Surfaces: Data-Adaptive Transfer Learning in Deep Learned Many-Body Expansion Theory
di: Chen, Siqi, et al.
Pubblicazione: (2026)
di: Chen, Siqi, et al.
Pubblicazione: (2026)
Efficient Grand Canonical Global Optimization with On-the-fly-trained Machine-learning Interatomic Potentials
di: Dominguez, Jon Eunan Quinlivan, et al.
Pubblicazione: (2025)
di: Dominguez, Jon Eunan Quinlivan, et al.
Pubblicazione: (2025)
DFT Accuracy on Crystal Structure Prediction with Machine Learning Interatomic Potentials
di: Midgley, Laurence I., et al.
Pubblicazione: (2026)
di: Midgley, Laurence I., et al.
Pubblicazione: (2026)
Ensemble Knowledge Distillation for Machine Learning Interatomic Potentials
di: Matin, Sakib, et al.
Pubblicazione: (2025)
di: Matin, Sakib, et al.
Pubblicazione: (2025)
Machine-Learning Interatomic Potentials for Long-Range Systems
di: Ji, Yajie, et al.
Pubblicazione: (2025)
di: Ji, Yajie, et al.
Pubblicazione: (2025)
Benchmarking Universal Interatomic Potentials on Zeolite Structures
di: Ito, Shusuke, et al.
Pubblicazione: (2025)
di: Ito, Shusuke, et al.
Pubblicazione: (2025)
Random Spin Committee Approach For Smooth Interatomic Potentials
di: Cărare, Vlad, et al.
Pubblicazione: (2024)
di: Cărare, Vlad, et al.
Pubblicazione: (2024)
Prediction and Experimental Verification of Electrolyte Solvation Structure from an OMol25-Trained Interatomic Potential
di: Kumar, Nitesh, et al.
Pubblicazione: (2026)
di: Kumar, Nitesh, et al.
Pubblicazione: (2026)
Machine Learning Interatomic Potentials: library for efficient training, model development and simulation of molecular systems
di: Brunken, Christoph, et al.
Pubblicazione: (2025)
di: Brunken, Christoph, et al.
Pubblicazione: (2025)
Predicting Spectroscopic Properties of Solvated Nile Red with Automated Workflows for Machine Learned Interatomic Potentials
di: Eller, Jacob, et al.
Pubblicazione: (2025)
di: Eller, Jacob, et al.
Pubblicazione: (2025)
MLIPilot: LLM-Driven Auto-Research for Machine-Learned Interatomic Potentials
di: Osaro, Etinosa, et al.
Pubblicazione: (2026)
di: Osaro, Etinosa, et al.
Pubblicazione: (2026)
Design Space of Self--Consistent Electrostatic Machine Learning Interatomic Potentials
di: Baldwin, William J., et al.
Pubblicazione: (2026)
di: Baldwin, William J., et al.
Pubblicazione: (2026)
Extrapolation of Machine-Learning Interatomic Potentials for Organic and Polymeric Systems
di: Hooven, Natalie E., et al.
Pubblicazione: (2025)
di: Hooven, Natalie E., et al.
Pubblicazione: (2025)
Scaling Machine Learning Interatomic Potentials with Mixtures of Experts
di: Liu, Yuzhi, et al.
Pubblicazione: (2026)
di: Liu, Yuzhi, et al.
Pubblicazione: (2026)
Shoot from the HIP: Hessian Interatomic Potentials without derivatives
di: Burger, Andreas, et al.
Pubblicazione: (2025)
di: Burger, Andreas, et al.
Pubblicazione: (2025)
Equivariant Machine Learning Interatomic Potentials with Global Charge Redistribution
di: Maruf, Moin Uddin, et al.
Pubblicazione: (2025)
di: Maruf, Moin Uddin, et al.
Pubblicazione: (2025)
Expanding Universal Machine Learning Interatomic Potentials to 97 Elements Towards Nuclear Applications
di: Kuroda, Naoya, et al.
Pubblicazione: (2026)
di: Kuroda, Naoya, et al.
Pubblicazione: (2026)
Enhancing the Quality and Reliability of Machine Learning Interatomic Potentials through Better Reporting Practices
di: Maxson, Tristan, et al.
Pubblicazione: (2024)
di: Maxson, Tristan, et al.
Pubblicazione: (2024)
Physics-Informed Weakly Supervised Learning for Interatomic Potentials
di: Takamoto, Makoto, et al.
Pubblicazione: (2024)
di: Takamoto, Makoto, et al.
Pubblicazione: (2024)
Augmenting Molecular Graphs with Geometries via Machine Learning Interatomic Potentials
di: Fu, Cong, et al.
Pubblicazione: (2025)
di: Fu, Cong, et al.
Pubblicazione: (2025)
Fine-Tuning Unifies Foundational Machine-learned Interatomic Potential Architectures at ab initio Accuracy
di: Hänseroth, Jonas, et al.
Pubblicazione: (2025)
di: Hänseroth, Jonas, et al.
Pubblicazione: (2025)
Benchmarking Universal Machine-Learned Interatomic Potentials for High-Temperature Metal-Organic Framework Chemistry
di: Edwards, Connor W., et al.
Pubblicazione: (2026)
di: Edwards, Connor W., et al.
Pubblicazione: (2026)
HORM: A Large Scale Molecular Hessian Database for Optimizing Reactive Machine Learning Interatomic Potentials
di: Cui, Taoyong, et al.
Pubblicazione: (2025)
di: Cui, Taoyong, et al.
Pubblicazione: (2025)
Modeling the Behavior of Complex Aqueous Electrolytes Using Machine Learning Interatomic Potentials: The Case of Sodium Sulfate
di: Soyemi, Ademola, et al.
Pubblicazione: (2025)
di: Soyemi, Ademola, et al.
Pubblicazione: (2025)
Documenti analoghi
-
Active Transfer Bagging: A New Approach for Accelerated Active Learning Acquisition of Data by Combined Transfer Learning and Bagging Based Models
di: Pelletier, Vivienne, 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) -
Developing a Machine-Learning Interatomic Potential for Non-Covalent Interactions in Proteins
di: Zeng, Lejia, et al.
Pubblicazione: (2026) -
Node-Equivariant Message Passing for Efficient and Accurate Machine Learning Interatomic Potentials
di: Zhang, Yaolong, et al.
Pubblicazione: (2025) -
Reliable and Efficient Automated Transition-State Searches with Machine-Learned Interatomic Potentials
di: Marks, Jonah, et al.
Pubblicazione: (2026)