Passer au contenu principal

Recherche

Afficher tous les résultats pour

Accueil

Personne

Michael John Willatt

Cette personne n’est plus à l’EPFL

À propos
Confidentialité
Mentions légales

Copyright © 2026 EPFL, tous droits réservés

Graph Chatbot

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Publications associées (12)

Veuillez noter qu'il ne s'agit pas d'une liste complète des publications de cette personne. Elle inclut uniquement les travaux sémantiquement pertinents. Pour une liste complète, veuillez consulter Infoscience.

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

Michele Ceriotti, Michael John Willatt, Jigyasa Nigam

Symmetry considerations are at the core of the major frameworks used to provide an effective mathematical representation of atomic configurations that is then used in machine-learning models to predict the properties associated with each structure. In most ...

AIP Publishing2022

Comment on "Manifolds of quasi-constant SOAP and ACSF fingerprints and the resulting failure to machine learn four-body interactions" [J. Chem. Phys. 156, 034302 (2022)]

Michele Ceriotti, Michael John Willatt, Sergey Pozdnyakov

The "quasi-constant " smooth overlap of atomic position and atom-centered symmetry function fingerprint manifolds recently discovered by Parsaeifard and Goedecker [J. Chem. Phys. 156, 034302 (2022)] are closely related to the degenerate pairs of configurat ...

AIP Publishing2022

Efficient implementation of atom-density representations

Till Junge, Félix Benedito Clément Musil, Michele Ceriotti, Michael John Willatt, Max David Veit, Alexander Jan Goscinski, Guillaume André Jean Fraux

Physically motivated and mathematically robust atom-centered representations of molecular structures are key to the success of modern atomistic machine learning. They lie at the foundation of a wide range of methods to predict the properties of both materi ...

2021