Buchumschlag

A New Paradigm for Computational Chemistry

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Husistein, Raphael T., Reiher, Markus
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Chemical Physics Disordered Systems and Neural Networks Materials Science Computational Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

NEAR: A Training-Free Pre-Estimator of Machine Learning Model Performance
von: Husistein, Raphael T., et al.
Veröffentlicht: (2024)

Hierarchical quantum embedding by machine learning for large molecular assemblies
von: Bensberg, Moritz, et al.
Veröffentlicht: (2025)

Machine Learning Enhanced Calculation of Quantum-Classical Binding Free Energies
von: Bensberg, Moritz, et al.
Veröffentlicht: (2025)

Electric Polarization from Many-Body Neural Network Ansatz
von: Li, Xiang, et al.
Veröffentlicht: (2023)

Towards a Unified Benchmark and Framework for Deep Learning-Based Prediction of Nuclear Magnetic Resonance Chemical Shifts
von: Xu, Fanjie, et al.
Veröffentlicht: (2024)

Specific Heat Anomalies and Local Symmetry Breaking in (Anti-)Fluorite Materials: A Machine Learning Molecular Dynamics Study
von: Kobayashi, Keita, et al.
Veröffentlicht: (2024)

A Physics-Regularized Neural Network and Kirchhoff Markov Random Field Framework for Inferring Internal Electrochemical States from Operando Spectromicroscopy
von: Wada, Naoki, et al.
Veröffentlicht: (2026)

Charge Hopping Dynamics along a Disordered Chain in Quantum Environments: Comparative Study of Different Rate Kernels
von: Jang, Seogjoo J., et al.
Veröffentlicht: (2026)

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

Slowly Quenched, High Pressure Glassy B$_2$O$_3$ at DFT Accuracy
von: Meher, Debendra, et al.
Veröffentlicht: (2024)

Data-Driven Molecular Dynamics and TEM Analysis of Crystal Growth and Hydrogen Sensing in Pt-Functionalized Graphene Chemiresistive Sensors
von: Ibrahim, Akram, et al.
Veröffentlicht: (2025)

Orbital-interaction-aware deep learning model for efficient surface chemistry simulations
von: Zhang, Zhihao, et al.
Veröffentlicht: (2025)

Amending CALPHAD databases using a neural network for predicting mixing enthalpy of liquids
von: Vincely, Clement, et al.
Veröffentlicht: (2025)

On the Boroxol Ring Fraction in Melt-Quenched B$_2$O$_3$ Glass
von: Meher, Debendra, et al.
Veröffentlicht: (2025)

Modeling Chemical Exfoliation of Non-van der Waals Chromium Sulfides by Machine Learning Interatomic Potentials and Monte Carlo Simulations
von: Ibrahim, Akram, et al.
Veröffentlicht: (2023)

Design Principles for Enhanced Quantum Transport with Site-Dependent Noise
von: Lawrence, Maggie, et al.
Veröffentlicht: (2026)

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

Best practices for second-generation Car-Parrinello ab initio molecular dynamics with CP2K/Quickstep
von: Kühne, Thomas D.
Veröffentlicht: (2026)

The CP-PAW code package for first-principles calculations from a user's perspective
von: Blöchl, Peter E., et al.
Veröffentlicht: (2026)

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

Efficient, Equivariant Predictions of Distributed Charge Models
von: Boittier, Eric D., et al.
Veröffentlicht: (2026)

Atomistic Modeling of Chemical Disorder in Materials: Bridging Classical Methods and AI-Assisted Approaches
von: Peng, Jiayu, et al.
Veröffentlicht: (2026)

Reducing the Complexity of Density-Matrix Functionals in a Real-Space-Decomposed DF+RDMF Scheme with the Adaptive Cluster Approximation
von: Tamoev, Konstantin, et al.
Veröffentlicht: (2026)

Decoding the Competing Effects of Dynamic Solvation Structures on Nuclear Magnetic Resonance Chemical Shifts of Battery Electrolytes via Machine Learning
von: You, Qi, et al.
Veröffentlicht: (2025)

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

Neural network distillation of orbital dependent density functional theory
von: Medvidović, Matija, et al.
Veröffentlicht: (2024)

Ionic conductivity of a lithium-doped deep eutectic solvent: Glass formation and rotation-translation coupling
von: Schulz, A., et al.
Veröffentlicht: (2024)

Thermal conductivity of aligned polymers with kinks
von: Parshin, Igor V., et al.
Veröffentlicht: (2026)

Linear-Scaling Potential-Free Data-Driven Molecular Dynamics for Arbitrary-Sized Water Clusters $(\text{H}_2\text{O})_n$
von: Yan, Hongyu, et al.
Veröffentlicht: (2024)

Super diffusive length dependent thermal conductivity in one-dimensional materials with structural defects: longitudinal to transverse phonon scattering leads to $κ\propto L^{1/3}$ law
von: Burin, Alexander L.
Veröffentlicht: (2025)

Collective excitations in Hydrogen across the pressure-induced transition from molecular to atomic fluid
von: Ilenkov, I. -M., et al.
Veröffentlicht: (2025)

ML-based Method for Solving the Microkinetic Model of Fischer-Tropsch Synthesis with Varying Catalyst/Reactor Parameters
von: Demchuk, Taras, et al.
Veröffentlicht: (2025)

Scalable Neural Quantum State based Kernel Polynomial Method for Optical Properties from the First Principle
von: Liu, Wei, et al.
Veröffentlicht: (2025)

A Global Spacetime Optimization Approach to the Real-Space Time-Dependent Schrödinger Equation
von: Hou, Enze, et al.
Veröffentlicht: (2025)

Fuzzy Neural Network Performance and Interpretability of Quantum Wavefunction Probability Predictions
von: Zanineli, Pedro H. M., et al.
Veröffentlicht: (2025)

RiD-kit: Software package designed to do enhanced sampling using reinforced dynamics
von: Fan, Jiahao, et al.
Veröffentlicht: (2024)

Efficient optimization of neural network backflow for ab-initio quantum chemistry
von: Liu, An-Jun, et al.
Veröffentlicht: (2025)

Neural network backflow for ab-initio quantum chemistry
von: Liu, An-Jun, et al.
Veröffentlicht: (2024)

Can MACE Potentials Accurately Describe Magnetism and Phase Stability in Fe-Ni Alloys? A Systematic Benchmark
von: Ramakrishna, Kushal, et al.
Veröffentlicht: (2026)

Predicting challenging phase transitions with Bayesian active learning
von: Bastonero, Lorenzo, et al.
Veröffentlicht: (2026)