Buchumschlag

Surrogate Functionals for Machine-Learned Orbital-Free Density Functional Theory

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Remme, Roman, Hamprecht, Fred A.
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Chemical Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Stable and Accurate Orbital-Free DFT Powered by Machine Learning
von: Remme, Roman, et al.
Veröffentlicht: (2025)

Overcoming the Barrier of Orbital-Free Density Functional Theory for Molecular Systems Using Deep Learning
von: Zhang, He, et al.
Veröffentlicht: (2023)

Orbital Transformers for Predicting Wavefunctions in Time-Dependent Density Functional Theory
von: Zhang, Xuan, et al.
Veröffentlicht: (2026)

Leveraging Normalizing Flows for Orbital-Free Density Functional Theory
von: de Camargo, Alexandre, et al.
Veröffentlicht: (2024)

Self-Consistency Training for Density-Functional-Theory Hamiltonian Prediction
von: Zhang, He, et al.
Veröffentlicht: (2024)

Learning Equivariant Non-Local Electron Density Functionals
von: Gao, Nicholas, et al.
Veröffentlicht: (2024)

Towards A Transferable Acceleration Method for Density Functional Theory
von: Liu, Zhe, et al.
Veröffentlicht: (2025)

Diagonalization without Diagonalization: A Direct Optimization Approach for Solid-State Density Functional Theory
von: Li, Tianbo, et al.
Veröffentlicht: (2024)

Beyond Canonicalization: How Tensorial Messages Improve Equivariant Message Passing
von: Lippmann, Peter, et al.
Veröffentlicht: (2024)

Machine Learning-Assisted Surrogate Modeling with Multi-Objective Optimization and Decision-Making of a Steam Methane Reforming Reactor
von: Nabavi, Seyed Reza, et al.
Veröffentlicht: (2025)

A Benchmark Dataset for Machine Learning Surrogates of Pore-Scale CO2-Water Interaction
von: Abdellatif, Alhasan, et al.
Veröffentlicht: (2025)

Orbital Anatomy of Self-Interaction in Kohn-Sham Density Functional Theory
von: Slattery, Samuel A., et al.
Veröffentlicht: (2024)

ELECTRA: A Cartesian Network for 3D Charge Density Prediction with Floating Orbitals
von: Elsborg, Jonas, et al.
Veröffentlicht: (2025)

Coupled Cluster con MōLe: Molecular Orbital Learning for Neural Wavefunctions
von: Thiede, Luca, et al.
Veröffentlicht: (2026)

E3STO: Orbital Inspired SE(3)-Equivariant Molecular Representation for Electron Density Prediction
von: Mitnikov, Ilan, et al.
Veröffentlicht: (2024)

Enhancing Reduced Density Matrix Functional Theory Calculations by Coupling Orbital and Occupation Optimizations
von: Yao, Yi-Fan, et al.
Veröffentlicht: (2024)

FreeCG: Free the Design Space of Clebsch-Gordan Transform for Machine Learning Force Fields
von: Shao, Shihao, et al.
Veröffentlicht: (2024)

A Kolmogorov-Arnold Surrogate Model for Chemical Equilibria: Application to Solid Solutions
von: Boledi, Leonardo, et al.
Veröffentlicht: (2026)

Machine Learning Force Fields
von: Unke, Oliver T., et al.
Veröffentlicht: (2020)

Ensemble Learning of Machine Learning Force Fields
von: Yin, Bangchen, et al.
Veröffentlicht: (2024)

Orbital Energies Are Chemical Potentials in Ground-State Density Functional Theory and Excited-State $Δ$SCF Theory
von: Yang, Weitao, et al.
Veröffentlicht: (2024)

Derivation of Hierarchically Correlated Orbital Functional Theory: The Role of Hypercomplex Orbitals
von: Zhang, Ting, et al.
Veröffentlicht: (2025)

Developing Orbital-Dependent Corrections for the Non-Additive Kinetic Energy in Subsystem Density Functional Theory
von: Eitelhuber, Larissa Sophie, et al.
Veröffentlicht: (2024)

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

Molecular Machine Learning in Chemical Process Design
von: Rittig, Jan G., et al.
Veröffentlicht: (2025)

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

Nutmeg and SPICE: Models and Data for Biomolecular Machine Learning
von: Eastman, Peter, et al.
Veröffentlicht: (2024)

Outlier-Detection for Reactive Machine Learned Potential Energy Surfaces
von: Vazquez-Salazar, Luis Itza, et al.
Veröffentlicht: (2024)

How False Data Affects Machine Learning Models in Electrochemistry?
von: Deshsorna, Krittapong, et al.
Veröffentlicht: (2023)

Data-Error Scaling Laws in Machine Learning on Combinatorial Mutation-prone Sets: Proteins and Small Molecules
von: Doffini, Vanni, et al.
Veröffentlicht: (2024)

Equivariant Matrix Function Neural Networks
von: Batatia, Ilyes, et al.
Veröffentlicht: (2023)

Reduced Density Matrix Functional Theory And A Reduced Formulation Of Density Functional Theory
von: Fredheim, Håkon R., 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)

Generalization of Long-Range Machine Learning Potentials in Complex Chemical Spaces
von: Sanocki, Michal, et al.
Veröffentlicht: (2025)

AceFF: A State-of-the-Art Machine Learning Potential for Small Molecules
von: Farr, Stephen E., et al.
Veröffentlicht: (2026)

Interpretable Machine Learning for Quantum-Informed Property Predictions in Artificial Sensing Materials
von: Chen, Li, et al.
Veröffentlicht: (2026)

Machine Learning Potentials: A Roadmap Toward Next-Generation Biomolecular Simulations
von: De Fabritiis, Gianni
Veröffentlicht: (2024)

Assessing Non-Nested Configurations of Multifidelity Machine Learning for Quantum-Chemical Properties
von: Vinod, Vivin, et al.
Veröffentlicht: (2024)

Chemically-Informed Machine Learning Approach for Prediction of Reactivity Ratios in Radical Copolymerization
von: Safari, Habibollah, et al.
Veröffentlicht: (2025)