Fully Integrating Atomistic Modeling with Machine Learning

Projektinformationen

FIAMMA

ID Finanzhilfevereinbarung: 101001890

DOI

10.3030/101001890

EK-Unterschriftsdatum 18 Dezember 2020

Startdatum 1 Januar 2022

Enddatum 31 Dezember 2026

Finanziert unter

• EXCELLENT SCIENCE - European Research Council (ERC)

Gesamtkosten

€ 1 998 015,00

EU-Beitrag

€ 1 998 015,00

Koordiniert durch

ECOLE POLYTECHNIQUE FEDERALE DE LAUSANNE
Switzerland

CORDIS bietet Links zu öffentlichen Ergebnissen und Veröffentlichungen von HORIZONT-Projekten.

Links zu Ergebnissen und Veröffentlichungen von RP7-Projekten sowie Links zu einigen Typen spezifischer Ergebnisse wie Datensätzen und Software werden dynamisch von OpenAIRE abgerufen.

Veröffentlichungen

Peer reviewed articles (30)

Fast evaluation of spherical harmonics with sphericart

Autoren: F. Bigi, G. Fraux, N. J. Browning, and M. Ceriotti
Veröffentlicht in: Journal of Chemical Physics, Ausgabe 159, 2023, Seite(n) 064802, ISSN 0021-9606
Herausgeber: American Institute of Physics
DOI: 10.1063/5.0156307

Representing spherical tensors with scalar-based machine-learning models

Autoren: M. Domina, F. Bigi, P. Pegolo, M. Ceriotti
Veröffentlicht in: The Journal of Chemical Physics, Ausgabe 163, 2025, ISSN 0021-9606
Herausgeber: American Institute of Physics
DOI: 10.1063/5.0284802

A prediction rigidity formalism for low-cost uncertainties in trained neural networks

Autoren: Filippo Bigi, Sanggyu Chong, Michele Ceriotti, Federico Grasselli
Veröffentlicht in: Machine Learning: Science and Technology, Ausgabe 5, 2024, Seite(n) 045018, ISSN 2632-2153
Herausgeber: IOP
DOI: 10.1088/2632-2153/ad805f

Prediction rigidities for data-driven chemistry

Autoren: Sanggyu Chong, Filippo Bigi, Federico Grasselli, Philip Loche, Matthias Kellner, Michele Ceriotti
Veröffentlicht in: Faraday Discussions, Ausgabe 256, 2026, Seite(n) 322-344, ISSN 1359-6640
Herausgeber: Royal Society of Chemistry
DOI: 10.1039/d4fd00101j

Physics-Inspired Equivariant Descriptors of Nonbonded Interactions

Autoren: Kevin K. Huguenin-Dumittan, Philip Loche, Ni Haoran, Michele Ceriotti
Veröffentlicht in: The Journal of Physical Chemistry Letters, Ausgabe 14, 2023, Seite(n) 9612-9618, ISSN 1948-7185
Herausgeber: American Chemical Society
DOI: 10.1021/acs.jpclett.3c02375

Completeness of atomic structure representations

Autoren: Jigyasa Nigam, Sergey N. Pozdnyakov, Kevin K. Huguenin-Dumittan, Michele Ceriotti
Veröffentlicht in: APL Machine Learning, Ausgabe 2, 2024, ISSN 2770-9019
Herausgeber: AIP Publishing LLC
DOI: 10.1063/5.0160740

Mechanism of Charge Transport in Lithium Thiophosphate

Autoren: Lorenzo Gigli, Davide Tisi, Federico Grasselli, Michele Ceriotti
Veröffentlicht in: Chemistry of Materials, Ausgabe 36, 2024, Seite(n) 1482-1496, ISSN 0897-4756
Herausgeber: American Chemical Society
DOI: 10.1021/acs.chemmater.3c02726

Unified theory of atom-centered representations and message-passing machine-learning schemes.

Autoren: Jigyasa Nigam; Sergey Pozdnyakov; Guillaume Fraux; Michele Ceriotti
Veröffentlicht in: Journal of Chemical Physics, 2022, ISSN 0021-9606
Herausgeber: American Institute of Physics
DOI: 10.48550/arxiv.2202.01566

Exploring the Design Space of Machine Learning Models for Quantum Chemistry with a Fully Differentiable Framework

Autoren: Divya Suman, Jigyasa Nigam, Sandra Saade, Paolo Pegolo, Hanna Türk, Xing Zhang, Garnet Kin-Lic Chan, Michele Ceriotti
Veröffentlicht in: Journal of Chemical Theory and Computation, Ausgabe 21, 2025, Seite(n) 6505-6516, ISSN 1549-9618
Herausgeber: American Chemical Society
DOI: 10.1021/acs.jctc.5c00522

Resolving the body-order paradox of machine learning interatomic potentials

Autoren: Sanggyu Chong, Tong Jiang, Michelangelo Domina, Filippo Bigi, Federico Grasselli, Joonho Lee, Michele Ceriotti
Veröffentlicht in: The Journal of Chemical Physics, Ausgabe 164, 2026, ISSN 0021-9606
Herausgeber: American Institute of Physics
DOI: 10.1063/5.0303302

Predicting hot-electron free energies from ground-state data

Autoren: Chiheb Ben Mahmoud, F. Grasselli, and M. Ceriotti
Veröffentlicht in: Physical Review B, 2022, ISSN 2469-9950
Herausgeber: American Physical Society
DOI: 10.1103/physrevb.106.l121116

<tt>metatensor</tt> and <tt>metatomic</tt> : Foundational libraries for interoperable atomistic machine learning

Autoren: Filippo Bigi, Joseph W. Abbott, Philip Loche, Arslan Mazitov, Davide Tisi, Marcel F. Langer, Alexander Goscinski, Paolo Pegolo, Sanggyu Chong, Rohit Goswami, Pol Febrer, Sofiia Chorna, Matthias Kellner, Michele Ceriotti, Guillaume Fraux
Veröffentlicht in: The Journal of Chemical Physics, Ausgabe 164, 2026, ISSN 0021-9606
Herausgeber: American Institute of Physics
DOI: 10.1063/5.0304911

Equivariant representations for molecular Hamiltonians and N-center atomic-scale properties

Autoren: Jigyasa Nigam; Michael J. Willatt; Michele Ceriotti
Veröffentlicht in: Chemical Physics, Ausgabe 1, 2022, Seite(n) 156(1), 014115 (2022), ISSN 0021-9606
Herausgeber: American Institute of Physics
DOI: 10.1063/5.0072784

Comparing the Latent Features of Universal Machine‐Learning Interatomic Potentials

Autoren: Sofiia Chorna, Davide Tisi, Cesare Malosso, Wei Bin How, Michele Ceriotti, Sanggyu Chong
Veröffentlicht in: Advanced Intelligent Systems, Ausgabe 8, 2026, ISSN 2640-4567
Herausgeber: Wiley
DOI: 10.1002/aisy.202501497

Pushing the limits of unconstrained machine-learned interatomic potentials

Autoren: Filippo Bigi, Paolo Pegolo, Arslan Mazitov, Jonathan Schmidt, Michele Ceriotti
Veröffentlicht in: Machine Learning: Science and Technology, Ausgabe 7, 2026, Seite(n) 035051, ISSN 2632-2153
Herausgeber: IOP Publishing
DOI: 10.1088/2632-2153/ae6417

A foundation model for atomistic materials chemistry

Autoren: Ilyes Batatia, Philipp Benner, Yuan Chiang, Alin M. Elena, Dávid P. Kovács, Janosh Riebesell, Xavier R. Advincula, Mark Asta, Matthew Avaylon, William J. Baldwin, Fabian Berger, Noam Bernstein, Arghya Bhowmik, Filippo Bigi, Samuel M. Blau, Vlad Cărare, Michele Ceriotti, Sanggyu Chong, James P. Darby, Sandip De, Flaviano Della Pia, Volker L. Deringer, Rokas Elijošius, Zakariya El-Machachi, Edvi
Veröffentlicht in: The Journal of Chemical Physics, Ausgabe 163, 2025, ISSN 0021-9606
Herausgeber: American Institute of Physics
DOI: 10.1063/5.0297006

A universal machine learning model for the electronic density of states

Autoren: Wei Bin How, Pol Febrer, Sanggyu Chong, Arslan Mazitov, Filippo Bigi, Matthias Kellner, Sergey Pozdnyakov, Michele Ceriotti
Veröffentlicht in: Digital Discovery, Ausgabe 5, 2026, Seite(n) 1635-1649, ISSN 2635-098X
Herausgeber: Royal Society of Chemistry (RSC)
DOI: 10.1039/d5dd00557d

Fast and flexible long-range models for atomistic machine learning

Autoren: Philip Loche, Kevin K. Huguenin-Dumittan, Melika Honarmand, Qianjun Xu, Egor Rumiantsev, Wei Bin How, Marcel F. Langer, Michele Ceriotti
Veröffentlicht in: The Journal of Chemical Physics, Ausgabe 162, 2025, ISSN 0021-9606
Herausgeber: American Institute of Physics
DOI: 10.1063/5.0251713

Probing the effects of broken symmetries in machine learning

Autoren: Marcel F Langer, Sergey N Pozdnyakov, Michele Ceriotti
Veröffentlicht in: Machine Learning: Science and Technology, Ausgabe 5, 2024, Seite(n) 04LT01, ISSN 2632-2153
Herausgeber: IOP
DOI: 10.1088/2632-2153/ad86a0

Robustness of Local Predictions in Atomistic Machine Learning Models

Autoren: Sanggyu Chong, Federico Grasselli, Chiheb Ben Mahmoud, Joe D. Morrow, Volker L. Deringer, Michele Ceriotti
Veröffentlicht in: Journal of Chemical Theory and Computation, Ausgabe 19, 2023, Seite(n) 8020-8031, ISSN 1549-9618
Herausgeber: American Chemical Society
DOI: 10.1021/acs.jctc.3c00704

PET-MAD as a lightweight universal interatomic potential for advanced materials modeling

Autoren: Arslan Mazitov, Filippo Bigi, Matthias Kellner, Paolo Pegolo, Davide Tisi, Guillaume Fraux, Sergey Pozdnyakov, Philip Loche, Michele Ceriotti
Veröffentlicht in: Nature Communications, Ausgabe 16, 2025, ISSN 2041-1723
Herausgeber: Nature Publishing Group
DOI: 10.1038/s41467-025-65662-7

Local invertibility and sensitivity of atomic structure-feature mappings

Autoren: Sergey Pozdnyakov; Liwei Zhang; Christoph Ortner; Gábor Csányi; Michele Ceriotti
Veröffentlicht in: Open Research Europe, Ausgabe 1, 2021, ISSN 2732-5121
Herausgeber: Excellent Science
DOI: 10.12688/openreseurope.14156.1

Electronic Excited States from Physically Constrained Machine Learning

Autoren: Edoardo Cignoni, Divya Suman, Jigyasa Nigam, Lorenzo Cupellini, Benedetta Mennucci, Michele Ceriotti
Veröffentlicht in: ACS Central Science, Ausgabe 10, 2024, Seite(n) 637-648, ISSN 2374-7943
Herausgeber: American Chemical Society
DOI: 10.1021/acscentsci.3c01480

scikit-matter : A Suite of Generalisable Machine Learning Methods Born out of Chemistry and Materials Science

Autoren: Alexander Goscinski, Victor Paul Principe, Guillaume Fraux, Sergei Kliavinek, Benjamin Aaron Helfrecht, Philip Loche, Michele Ceriotti, Rose Kathleen Cersonsky
Veröffentlicht in: Open Research Europe, Ausgabe 3, 2024, Seite(n) 81, ISSN 2732-5121
Herausgeber: London, UK: F1000 Research Limited
DOI: 10.12688/openreseurope.15789.2

Electronic-Structure Properties from Atom-Centered Predictions of the Electron Density

Autoren: Andrea Grisafi; Alan M. Lewis; Mariana Rossi; Michele Ceriotti
Veröffentlicht in: Journal of Chemical Theory and Computation, Ausgabe 19, 2023, Seite(n) 4451, ISSN 1549-9618
Herausgeber: American Chemical Society
DOI: 10.1021/acs.jctc.2c00850

A Deep Learning Model for Chemical Shieldings in Molecular Organic Solids Including Anisotropy

Autoren: Matthias Kellner, Jacob B. Holmes, Ruben Rodriguez-Madrid, Florian Viscosi, Yuxuan Zhang, Lyndon Emsley, Michele Ceriotti
Veröffentlicht in: The Journal of Physical Chemistry Letters, Ausgabe 16, 2025, Seite(n) 8714-8722, ISSN 1948-7185
Herausgeber: American Chemical Society
DOI: 10.1021/acs.jpclett.5c01819

Adaptive energy reference for machine-learning models of the electronic density of states

Autoren: Wei Bin How, Sanggyu Chong, Federico Grasselli, Kevin K. Huguenin-Dumittan, Michele Ceriotti
Veröffentlicht in: Physical Review Materials, Ausgabe 9, 2025, ISSN 2475-9953
Herausgeber: APS
DOI: 10.1103/physrevmaterials.9.013802

i-PI 3.0: A flexible and efficient framework for advanced atomistic simulations

Autoren: Yair Litman, Venkat Kapil, Yotam M. Y. Feldman, Davide Tisi, Tomislav Begušić, Karen Fidanyan, Guillaume Fraux, Jacob Higer, Matthias Kellner, Tao E. Li, Eszter S. Pós, Elia Stocco, George Trenins, Barak Hirshberg, Mariana Rossi, Michele Ceriotti
Veröffentlicht in: The Journal of Chemical Physics, Ausgabe 161, 2024, ISSN 0021-9606
Herausgeber: American Institute of Physics
DOI: 10.1063/5.0215869

"Thermal conductivity of <mml:math xmlns:mml=""http://www.w3.org/1998/Math/MathML""><mml:mrow><mml:msub><mml:mi>Li</mml:mi><mml:mn>3</mml:mn></mml:msub><mml:msub><mml:mi>PS</mml:mi><mml:mn>4</mml:mn></mml:msub></mml:mrow></mml:math> solid electrolytes with <i>ab initio</i> accuracy"

Autoren: Davide Tisi, Federico Grasselli, Lorenzo Gigli, Michele Ceriotti
Veröffentlicht in: Physical Review Materials, Ausgabe 8, 2024, ISSN 2475-9953
Herausgeber: ACS
DOI: 10.1103/physrevmaterials.8.065403

Ranking the synthesizability of hypothetical zeolites with the sorting hat

Autoren: B. A. Helfrecht, G. Pireddu, R. Semino, S. M. Auerbach, and M. Ceriotti
Veröffentlicht in: Digital Discovery, Ausgabe 1, 2022, Seite(n) 779, ISSN 2635-098X
Herausgeber: Royal Society of Chemistry
DOI: 10.1039/d2dd00056c

Non-peer reviewed articles (2)

A smooth basis for atomistic machine learning

Autoren: F. Bigi, K. K. Huguenin-Dumittan, M. Ceriotti, and D. E. Manolopoulos, J. Chem
Veröffentlicht in: Journal Of Chemical Physics, 2022, ISSN 0021-9606
Herausgeber: American Institute of Physics
DOI: 10.1063/5.0124363

A data-driven interpretation of the stability of organic molecular crystals

Autoren: R. K. Cersonsky, M. Pakhnova, E. A. Engel, and M. Ceriotti
Veröffentlicht in: Chemical Science, 2023, ISSN 2041-6520
Herausgeber: Royal Society of Chemistry
DOI: 10.1039/d2sc06198h