A Unified Understanding of Equivariant Interatomic Potentials

Atomic Cluster Expansion based Force Fields for Molecular Materials

Local Equivariant Representations for Large-Scale Atomistic Dynamics | S. Batzner and A. Musaelian

Unlocking Atomistic Simulation Potential: Tutorial on DeePMD-kit for Accurate Machine-Trained Models

Interatomic potentials from first principles

4 Hours Chopin for Studying, Concentration & Relaxation

Justin Smith - The state of neural network interatomic potentials - IPAM at UCLA

Equivariant Models | Open Catalyst Intro Series | Ep. 6

Запрещенная страна! Кому выгодна Северная Корея и как она выживает?

Как LLM могут хранить факты | Глава 7, Глубокое обучение

MMM Hub Software Spotlight: Machine Learning (ML) force fields

От нарушений неравенств Белла до квантовой телепортации | Ален Аспект | Физик, лауреат Нобелевско...

Визуализация внимания, сердце трансформера | Глава 6, Глубокое обучение

Data-manifold Characterisation: Estimating Intrinsic Dimension, Density, and Density Peaks with D...

Machine Learning Force Fields for Heterogeneous Catalysis, Lars Leon Schaaf, Univ. of Cambridge UK

Daniel Schwalbe Koda: Machine learning for interatomic potentials

Equivariant Neural Networks | Part 1/3 - Introduction

LLM и GPT - как работают большие языковые модели? Визуальное введение в трансформеры

Все, что вам нужно знать о теории управления

“The Mathematics of Percolation” by Prof Hugo Duminil-Copin (Fields Medallist) | 12 Jan 2024

Atomic Cluster Expansion: A framework for fast and accurate ML force fields