Fully Integrating Atomistic Modeling with Machine Learning

Informazioni relative al progetto

FIAMMA

ID dell’accordo di sovvenzione: 101001890

DOI

10.3030/101001890

Data della firma CE 18 Dicembre 2020

Data di avvio 1 Gennaio 2022

Data di completamento 31 Dicembre 2026

Finanziato da

• EXCELLENT SCIENCE - European Research Council (ERC)

Costo totale

€ 1 998 015,00

Contributo UE

€ 1 998 015,00

Coordinato da

ECOLE POLYTECHNIQUE FEDERALE DE LAUSANNE
Switzerland

CORDIS fornisce collegamenti ai risultati finali pubblici e alle pubblicazioni dei progetti ORIZZONTE.

I link ai risultati e alle pubblicazioni dei progetti del 7° PQ, così come i link ad alcuni tipi di risultati specifici come dataset e software, sono recuperati dinamicamente da .OpenAIRE .

Pubblicazioni

Peer reviewed articles (30)

Fast evaluation of spherical harmonics with sphericart

Autori: F. Bigi, G. Fraux, N. J. Browning, and M. Ceriotti
Pubblicato in: Journal of Chemical Physics, Numero 159, 2023, Pagina/e 064802, ISSN 0021-9606
Editore: American Institute of Physics
DOI: 10.1063/5.0156307

Representing spherical tensors with scalar-based machine-learning models

Autori: M. Domina, F. Bigi, P. Pegolo, M. Ceriotti
Pubblicato in: The Journal of Chemical Physics, Numero 163, 2025, ISSN 0021-9606
Editore: American Institute of Physics
DOI: 10.1063/5.0284802

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

Autori: Filippo Bigi, Sanggyu Chong, Michele Ceriotti, Federico Grasselli
Pubblicato in: Machine Learning: Science and Technology, Numero 5, 2024, Pagina/e 045018, ISSN 2632-2153
Editore: IOP
DOI: 10.1088/2632-2153/ad805f

Prediction rigidities for data-driven chemistry

Autori: Sanggyu Chong, Filippo Bigi, Federico Grasselli, Philip Loche, Matthias Kellner, Michele Ceriotti
Pubblicato in: Faraday Discussions, Numero 256, 2026, Pagina/e 322-344, ISSN 1359-6640
Editore: Royal Society of Chemistry
DOI: 10.1039/d4fd00101j

Physics-Inspired Equivariant Descriptors of Nonbonded Interactions

Autori: Kevin K. Huguenin-Dumittan, Philip Loche, Ni Haoran, Michele Ceriotti
Pubblicato in: The Journal of Physical Chemistry Letters, Numero 14, 2023, Pagina/e 9612-9618, ISSN 1948-7185
Editore: American Chemical Society
DOI: 10.1021/acs.jpclett.3c02375

Completeness of atomic structure representations

Autori: Jigyasa Nigam, Sergey N. Pozdnyakov, Kevin K. Huguenin-Dumittan, Michele Ceriotti
Pubblicato in: APL Machine Learning, Numero 2, 2024, ISSN 2770-9019
Editore: AIP Publishing LLC
DOI: 10.1063/5.0160740

Mechanism of Charge Transport in Lithium Thiophosphate

Autori: Lorenzo Gigli, Davide Tisi, Federico Grasselli, Michele Ceriotti
Pubblicato in: Chemistry of Materials, Numero 36, 2024, Pagina/e 1482-1496, ISSN 0897-4756
Editore: American Chemical Society
DOI: 10.1021/acs.chemmater.3c02726

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

Autori: Jigyasa Nigam; Sergey Pozdnyakov; Guillaume Fraux; Michele Ceriotti
Pubblicato in: Journal of Chemical Physics, 2022, ISSN 0021-9606
Editore: 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

Autori: Divya Suman, Jigyasa Nigam, Sandra Saade, Paolo Pegolo, Hanna Türk, Xing Zhang, Garnet Kin-Lic Chan, Michele Ceriotti
Pubblicato in: Journal of Chemical Theory and Computation, Numero 21, 2025, Pagina/e 6505-6516, ISSN 1549-9618
Editore: American Chemical Society
DOI: 10.1021/acs.jctc.5c00522

Resolving the body-order paradox of machine learning interatomic potentials

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

Predicting hot-electron free energies from ground-state data

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

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

Autori: 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
Pubblicato in: The Journal of Chemical Physics, Numero 164, 2026, ISSN 0021-9606
Editore: American Institute of Physics
DOI: 10.1063/5.0304911

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

Autori: Jigyasa Nigam; Michael J. Willatt; Michele Ceriotti
Pubblicato in: Chemical Physics, Numero 1, 2022, Pagina/e 156(1), 014115 (2022), ISSN 0021-9606
Editore: American Institute of Physics
DOI: 10.1063/5.0072784

Comparing the Latent Features of Universal Machine‐Learning Interatomic Potentials

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

Pushing the limits of unconstrained machine-learned interatomic potentials

Autori: Filippo Bigi, Paolo Pegolo, Arslan Mazitov, Jonathan Schmidt, Michele Ceriotti
Pubblicato in: Machine Learning: Science and Technology, Numero 7, 2026, Pagina/e 035051, ISSN 2632-2153
Editore: IOP Publishing
DOI: 10.1088/2632-2153/ae6417

A foundation model for atomistic materials chemistry

Autori: 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
Pubblicato in: The Journal of Chemical Physics, Numero 163, 2025, ISSN 0021-9606
Editore: American Institute of Physics
DOI: 10.1063/5.0297006

A universal machine learning model for the electronic density of states

Autori: Wei Bin How, Pol Febrer, Sanggyu Chong, Arslan Mazitov, Filippo Bigi, Matthias Kellner, Sergey Pozdnyakov, Michele Ceriotti
Pubblicato in: Digital Discovery, Numero 5, 2026, Pagina/e 1635-1649, ISSN 2635-098X
Editore: Royal Society of Chemistry (RSC)
DOI: 10.1039/d5dd00557d

Fast and flexible long-range models for atomistic machine learning

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

Probing the effects of broken symmetries in machine learning

Autori: Marcel F Langer, Sergey N Pozdnyakov, Michele Ceriotti
Pubblicato in: Machine Learning: Science and Technology, Numero 5, 2024, Pagina/e 04LT01, ISSN 2632-2153
Editore: IOP
DOI: 10.1088/2632-2153/ad86a0

Robustness of Local Predictions in Atomistic Machine Learning Models

Autori: Sanggyu Chong, Federico Grasselli, Chiheb Ben Mahmoud, Joe D. Morrow, Volker L. Deringer, Michele Ceriotti
Pubblicato in: Journal of Chemical Theory and Computation, Numero 19, 2023, Pagina/e 8020-8031, ISSN 1549-9618
Editore: American Chemical Society
DOI: 10.1021/acs.jctc.3c00704

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

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

Local invertibility and sensitivity of atomic structure-feature mappings

Autori: Sergey Pozdnyakov; Liwei Zhang; Christoph Ortner; Gábor Csányi; Michele Ceriotti
Pubblicato in: Open Research Europe, Numero 1, 2021, ISSN 2732-5121
Editore: Excellent Science
DOI: 10.12688/openreseurope.14156.1

Electronic Excited States from Physically Constrained Machine Learning

Autori: Edoardo Cignoni, Divya Suman, Jigyasa Nigam, Lorenzo Cupellini, Benedetta Mennucci, Michele Ceriotti
Pubblicato in: ACS Central Science, Numero 10, 2024, Pagina/e 637-648, ISSN 2374-7943
Editore: American Chemical Society
DOI: 10.1021/acscentsci.3c01480

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

Autori: Alexander Goscinski, Victor Paul Principe, Guillaume Fraux, Sergei Kliavinek, Benjamin Aaron Helfrecht, Philip Loche, Michele Ceriotti, Rose Kathleen Cersonsky
Pubblicato in: Open Research Europe, Numero 3, 2024, Pagina/e 81, ISSN 2732-5121
Editore: London, UK: F1000 Research Limited
DOI: 10.12688/openreseurope.15789.2

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

Autori: Andrea Grisafi; Alan M. Lewis; Mariana Rossi; Michele Ceriotti
Pubblicato in: Journal of Chemical Theory and Computation, Numero 19, 2023, Pagina/e 4451, ISSN 1549-9618
Editore: American Chemical Society
DOI: 10.1021/acs.jctc.2c00850

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

Autori: Matthias Kellner, Jacob B. Holmes, Ruben Rodriguez-Madrid, Florian Viscosi, Yuxuan Zhang, Lyndon Emsley, Michele Ceriotti
Pubblicato in: The Journal of Physical Chemistry Letters, Numero 16, 2025, Pagina/e 8714-8722, ISSN 1948-7185
Editore: American Chemical Society
DOI: 10.1021/acs.jpclett.5c01819

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

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

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

Autori: 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
Pubblicato in: The Journal of Chemical Physics, Numero 161, 2024, ISSN 0021-9606
Editore: 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"

Autori: Davide Tisi, Federico Grasselli, Lorenzo Gigli, Michele Ceriotti
Pubblicato in: Physical Review Materials, Numero 8, 2024, ISSN 2475-9953
Editore: ACS
DOI: 10.1103/physrevmaterials.8.065403

Ranking the synthesizability of hypothetical zeolites with the sorting hat

Autori: B. A. Helfrecht, G. Pireddu, R. Semino, S. M. Auerbach, and M. Ceriotti
Pubblicato in: Digital Discovery, Numero 1, 2022, Pagina/e 779, ISSN 2635-098X
Editore: Royal Society of Chemistry
DOI: 10.1039/d2dd00056c

Non-peer reviewed articles (2)

A smooth basis for atomistic machine learning

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

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

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