Mejora de precisión con fidelidad de ruta escalar en potenciales interatómicos
Descubre cómo la fidelidad de ruta escalar reduce errores en potenciales interatómicos en un 22-27% con solo 5% extra de costo.
#potencial
Precisión física en potenciales interatómicos equivariantes de corto alcance
Descubre cómo la fidelidad de trayectoria escalar reduce errores en potenciales interatómicos equivariantes, mejorando precisión en fuerzas y energía.
Destilando electrostática latente de modelos interatómicos fundacionales
Destila electrostática latente de modelos IA para simulaciones eficientes. Obtén cargas Born y espectros IR. Benchmark en agua, HCl y TiO2.
ShipNet: Deep learning geométrico para hidrodinámica naval en tiempo real
Descubre ShipNet: un modelo de deep learning que predice la hidrodinámica de barcos en 0.15 segundos, con precisión R²=0.98. Acelera el diseño naval.
Superficie de energía potencial con curvatura para afinidad proteína-ligando
CPES predice afinidad proteína-ligando modelando flexibilidad molecular con curvatura de energía potencial. Mejora precisión e interpretabilidad.
Modelo MLCG transferible en temperatura para proteínas
Descubre cómo un nuevo modelo MLCG transferible en temperatura predice propiedades termodinámicas de proteínas, superando limitaciones de simulaciones tradicionales.
Difusión guiada por el principio de mínima acción en extrapolación física
Descubre LAPG: difusión guiada por mínima acción para extrapolación física, reduciendo deriva y preservando dinámicas.
El error más costoso con un cliente potencial ocurre en los primeros 30 minutos
¿Sabías que el error más costoso con un cliente ocurre en los primeros 30 minutos? Descubre cómo usar esa llamada como filtro para evitar malos clientes.
La relación superlineal entre ruido SGD y curvatura
Descubre cómo el ruido del SGD se relaciona con la curvatura del paisaje de pérdida en deep learning. Nuevas leyes empíricas para capas fully connected.
Superando los límites de los potenciales interatómicos sin restricciones
Descubre cómo los potenciales interatómicos sin restricciones superan en precisión y velocidad a modelos físicos, incluso en simulaciones estáticas.
Predicción contrafactual con redes causales ajustadas por prior
Descubre CausalLongPFN, un modelo preentrenado con datos sintéticos que predice resultados contrafactuales en secuencias temporales sin necesidad de reentrenamiento. Competitivo en benchmarks reales.
SKMD: aprendizaje activo de potenciales interatómicos
Descubre cómo SKMD mejora el aprendizaje activo de potenciales interatómicos, equilibrando exploración y precisión en simulaciones moleculares. Ideal para MLIPs.
Diseño molecular en bucle cerrado con deferencia calibrada
Descubre cómo CLIO, un agente de IA con deferencia calibrada, optimiza el diseño molecular en bucle cerrado, logrando un 130 mV de mejora en potencial redox.
Un marco Cartesiano-3j para potenciales interatómicos de aprendizaje automático
Nuevo marco Cartesiano-3j logra precisión comparable a modelos esféricos en potenciales interatómicos. Descubre cómo.
La forma de la suma: estructuras geométricas de la aritmética en LLMs
Descubre cómo los LLMs representan la suma geométricamente y por qué cometen errores. Un nuevo estudio revela la estructura oculta de la aritmética.
La amplificación de errores limita la conversión ANN-SNN en control continuo
La amplificación de errores temporales limita la conversión de ANN a SNN en control continuo. Conoce CRPI, una solución ligera que suprime estos errores y recupera el rendimiento.
Dataset de referencia para catálisis en MXenes 2D
Nuevo dataset de 50.000 cálculos DFT para MXenes 2D acelera la catálisis hasta 1000x con machine learning. ¡Descubre más!