Buchumschlag

Stress and heat flux via automatic differentiation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Langer, Marcel F., Frank, J. Thorben, Knoop, Florian
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Materials Science Machine Learning Computational Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

evoxels: A differentiable physics framework for voxel-based microstructure simulations
von: Daubner, Simon, et al.
Veröffentlicht: (2025)

Machine-Learned Force Fields for Lattice Dynamics at Coupled-Cluster Level Accuracy
von: Schönbauer, Sita, et al.
Veröffentlicht: (2025)

Discovering High-Strength Alloys via Physics-Transfer Learning
von: Zhao, Yingjie, et al.
Veröffentlicht: (2024)

Discovery of sustainable energy materials via the machine-learned material space
von: Grunert, Malte, et al.
Veröffentlicht: (2025)

A Materials Foundation Model via Hybrid Invariant-Equivariant Architectures
von: Yan, Keqiang, et al.
Veröffentlicht: (2025)

Phase discovery with active learning: Application to structural phase transitions in equiatomic NiTi
von: Vandermause, Jonathan, et al.
Veröffentlicht: (2024)

A Message Passing Neural Network Surrogate Model for Bond-Associated Peridynamic Material Correspondence Formulation
von: Hu, Xuan, et al.
Veröffentlicht: (2024)

When More Data Hurts: Optimizing Data Coverage While Mitigating Diversity Induced Underfitting in an Ultra-Fast Machine-Learned Potential
von: Gibson, Jason B., et al.
Veröffentlicht: (2024)

Interpolation and differentiation of alchemical degrees of freedom in machine learning interatomic potentials
von: Nam, Juno, et al.
Veröffentlicht: (2024)

Active Learning for Generalizable Detonation Performance Prediction of Energetic Materials
von: Ullberg, R. Seaton, et al.
Veröffentlicht: (2026)

Machine-Learned Atomic Cluster Expansion Potentials for Fast and Quantum-Accurate Thermal Simulations of Wurtzite AlN
von: Yang, Guang, et al.
Veröffentlicht: (2023)

Higher-Order Equivariant Neural Networks for Charge Density Prediction in Materials
von: Koker, Teddy, et al.
Veröffentlicht: (2023)

Uncertainty-biased molecular dynamics for learning uniformly accurate interatomic potentials
von: Zaverkin, Viktor, et al.
Veröffentlicht: (2023)

Shotgun crystal structure prediction using machine-learned formation energies
von: Liu, Chang, et al.
Veröffentlicht: (2023)

Surface Stability Modeling with Universal Machine Learning Interatomic Potentials: A Comprehensive Cleavage Energy Benchmarking Study
von: Mehdizadeh, Ardavan, et al.
Veröffentlicht: (2025)

Flow Matching for Accelerated Simulation of Atomic Transport in Crystalline Materials
von: Nam, Juno, et al.
Veröffentlicht: (2024)

Reinforcement Learning for Chemical Ordering in Alloy Nanoparticles
von: Elsborg, Jonas, et al.
Veröffentlicht: (2025)

Towards Harmonization of SO(3)-Equivariance and Expressiveness: a Hybrid Deep Learning Framework for Electronic-Structure Hamiltonian Prediction
von: Yin, Shi, et al.
Veröffentlicht: (2024)

Are Foundational Atomistic Models Reliable for Finite-Temperature Molecular Dynamics?
von: Li, Denan, et al.
Veröffentlicht: (2025)

The Northeast Materials Database for Magnetic Materials
von: Itani, Suman, et al.
Veröffentlicht: (2024)

A comparative study of transformer models and recurrent neural networks for path-dependent composite materials
von: Uvdal, Petter, et al.
Veröffentlicht: (2026)

ComProScanner: A multi-agent based framework for composition-property structured data extraction from scientific literature
von: Roy, Aritra, et al.
Veröffentlicht: (2025)

Physics-informed neural operator for predictive parametric phase-field modelling
von: Chen, Nanxi, et al.
Veröffentlicht: (2026)

A Comparative Study of Machine Learning Models Predicting Energetics of Interacting Defects
von: Yu, Hao
Veröffentlicht: (2024)

Response Matching for generating materials and molecules
von: Cheng, Bingqing
Veröffentlicht: (2024)

Path-integral molecular dynamics with actively-trained and universal machine learning force fields
von: Solovykh, A. A., et al.
Veröffentlicht: (2025)

SA-GAT-SR: Self-Adaptable Graph Attention Networks with Symbolic Regression for high-fidelity material property prediction
von: Liu, Junchi, et al.
Veröffentlicht: (2025)

Knowledge Distillation Framework for Accelerating High-Accuracy Neural Network-Based Molecular Dynamics Simulations
von: Matsumura, Naoki, et al.
Veröffentlicht: (2025)

A physics-aware deep learning model for shear band formation around collapsing pores in shocked reactive materials
von: Cheng, Xinlun, et al.
Veröffentlicht: (2025)

Reinforcement Fine-Tuning for Materials Design
von: Cao, Zhendong, et al.
Veröffentlicht: (2025)

Machine Learning Time Propagators for Time-Dependent Density Functional Theory Simulations
von: Shah, Karan, et al.
Veröffentlicht: (2025)

CrystalFormer-CSP: Thinking Fast and Slow for Crystal Structure Prediction
von: Cao, Zhendong, et al.
Veröffentlicht: (2025)

EPi-cKANs: Elasto-Plasticity Informed Kolmogorov-Arnold Networks Using Chebyshev Polynomials
von: Mostajeran, Farinaz, et al.
Veröffentlicht: (2024)

CrysToGraph: A Comprehensive Predictive Model for Crystal Materials Properties and the Benchmark
von: Wang, Hongyi, et al.
Veröffentlicht: (2024)

Symmetry-Constrained Multi-Scale Physics-Informed Neural Networks for Graphene Electronic Band Structure Prediction
von: Lee, Wei Shan, et al.
Veröffentlicht: (2025)

Breaking the Precision Ceiling in Physics-Informed Neural Networks: A Hybrid Fourier-Neural Architecture for Ultra-High Accuracy
von: Lee, Wei Shan, et al.
Veröffentlicht: (2025)

How big is Big Data?
von: Speckhard, Daniel T., et al.
Veröffentlicht: (2024)

Lang2MLIP: End-to-End Language-to-Machine Learning Interatomic Potential Development with Autonomous Agentic Workflows
von: Li, Wenwen, et al.
Veröffentlicht: (2026)

Learning charges and long-range interactions from energies and forces
von: Kim, Dongjin, et al.
Veröffentlicht: (2024)

MOFSimBench: Evaluating Universal Machine Learning Interatomic Potentials In Metal--Organic Framework Molecular Modeling
von: Kraß, Hendrik, et al.
Veröffentlicht: (2025)