Buchumschlag

Predicting Solvation Free Energies of Molecules and Ions via First-Principles and Machine-Learning Molecular Dynamics

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yu, Junting, Li, Shuo-Hui, Pan, Ding
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Chemical Physics Computational Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Enhancing Accuracy and Feature Insights in Hydration Free Energy Predictions for Small Molecules with Machine Learning
von: Han, Mingjun, et al.
Veröffentlicht: (2024)

Pooling Solvent Mixtures for Solvation Free Energy Predictions
von: Leenhouts, Roel J., et al.
Veröffentlicht: (2024)

Automated Prediction of Thermodynamic Properties via Bayesian Free-Energy Reconstruction from Molecular Dynamics
von: Spirande, Ekaterina, et al.
Veröffentlicht: (2025)

A Machine Learning Model for the Chemistry of a Solvated Electron
von: Gao, Ruiqi, et al.
Veröffentlicht: (2025)

Refining Potential Energy Surface through Dynamical Properties via Differentiable Molecular Simulation
von: Han, Bin, et al.
Veröffentlicht: (2024)

Molecular Similarity in Machine Learning of Energies in Chemical Reaction Networks
von: Gugler, Stefan, et al.
Veröffentlicht: (2025)

Multi-Fidelity Machine Learning for Excited State Energies of Molecules
von: Vinod, Vivin, et al.
Veröffentlicht: (2023)

Thermodynamically Informed Multimodal Learning of High-Dimensional Free Energy Models in Molecular Coarse Graining
von: Duschatko, Blake R., et al.
Veröffentlicht: (2024)

Enhancing Molecular Dipole Moment Prediction with Multitask Machine Learning
von: Colglazier, William, et al.
Veröffentlicht: (2025)

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

Revolutionising Antibacterial Warfare: Machine Learning and Molecular Dynamics Unveiling Potential Gram-Negative Bacteria Inhibitors
von: Joshi, Pritish, et al.
Veröffentlicht: (2025)

First-Principles Understanding of Vibrational Energy Transfer in Molecule-Surface Scattering: Both Adiabatic and Nonadiabatic Channels Matter
von: Meng, Gang, et al.
Veröffentlicht: (2025)

Machine Learning-Aided First-Principles Calculations of Redox Potentials
von: Jinnouchi, Ryosuke, et al.
Veröffentlicht: (2023)

Routine Molecular Dynamics Simulations Including Nuclear Quantum Effects: from Force Fields to Machine Learning Potentials
von: Plé, Thomas, et al.
Veröffentlicht: (2022)

Nonlocal Machine-Learned Exchange Functional for Molecules and Solids
von: Bystrom, Kyle, et al.
Veröffentlicht: (2023)

An Oracle-Free Quantum Algorithm for Nonadiabatic Quantum Molecular Dynamics
von: Courtney, Joshua
Veröffentlicht: (2026)

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

Weak-to-Strong Light-Matter Coupling and Dissipative Dynamics from First Principles
von: Wang, Derek S., et al.
Veröffentlicht: (2020)

A Massively Scalable Ligand-Protein Dissociation Dynamic Database Derived from Atomistic Molecular Modelling
von: Li, Maodong, et al.
Veröffentlicht: (2026)

Hessian Matching for Machine-Learned Coarse-Grained Molecular Dynamics
von: Murdeshwar, Sanya, et al.
Veröffentlicht: (2026)

Predicting The One-Particle Density Matrix With Machine Learning
von: Hazra, S., et al.
Veröffentlicht: (2024)

Molecular Learning Dynamics
von: Gusev, Yaroslav, et al.
Veröffentlicht: (2025)

Predicting Structural Relaxation in Supercooled Small Molecules via Molecular Dynamics Simulations and Microscopic Theory
von: Phan, Anh D., et al.
Veröffentlicht: (2025)

Accelerated Machine Learning Force Field for Predicting Thermal Conductivity of Organic Liquids
von: Feng, Wei, et al.
Veröffentlicht: (2025)

Electrochemical Interfaces at Constant Potential: Data-Efficient Transfer Learning for Machine-Learning-Based Molecular Dynamics
von: Bianchi, Michele Giovanni, et al.
Veröffentlicht: (2025)

A Sinking Approach to Explore Arbitrary Areas in Free Energy Landscapes
von: Pan, Zhijun, et al.
Veröffentlicht: (2024)

Thermodynamic Descriptors from Molecular Dynamics as Machine Learning Features for Extrapolable Property Prediction
von: Espejo, Nuria H., et al.
Veröffentlicht: (2026)

Data-Augmented Machine Learning for Predicting Biomass-Derived Hard Carbon Anode Performance in Sodium-Ion Batteries
von: Chen, Gang, et al.
Veröffentlicht: (2025)

Computing Solvation Shell Dynamics and Energetics in Electron Transfer Reactions via Molecular Dynamics Simulations
von: Wang, Zhenyu, et al.
Veröffentlicht: (2025)

Quantum Machine Learning of Molecular Energies with Hybrid Quantum-Neural Wavefunction
von: Li, Weitang, et al.
Veröffentlicht: (2025)

Density-Functionalized QM/MM Delivers Chemical Accuracy For Solvated Systems
von: Chen, Xin, et al.
Veröffentlicht: (2024)

SimPoly: Simulation of Polymers with Machine Learning Force Fields Derived from First Principles
von: Simm, Gregor N. C., et al.
Veröffentlicht: (2025)

Low-Scaling Many-Body Green's Function Calculations for Molecular Systems via Interacting-Bath Dynamical Embedding Theory
von: Venturella, Christian, et al.
Veröffentlicht: (2026)

Velocity Jumps for Molecular Dynamics
von: Gouraud, Nicolaï, et al.
Veröffentlicht: (2024)

Performing Path Integral Molecular Dynamics Using Artificial Intelligence Enhanced Molecular Simulation Framework
von: Fan, Cheng, 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)

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

Design, Assessment, and Application of Machine Learning Potential Energy Surfaces
von: Andreichev, Valerii, et al.
Veröffentlicht: (2025)

A Primary Unified Geometric Framework of Molecular Reaction Dynamics Based on the Variational Principle
von: Zhang, Xingyu, et al.
Veröffentlicht: (2026)

First Principles Reactive Flux Theory for Surface Reactions: Multiple Channels and Recrossing Dynamics
von: Li, Chen, et al.
Veröffentlicht: (2025)