Buchumschlag

Modelling atomic and nanoscale structure in the silicon-oxygen system through active machine learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Erhard, Linus C., Rohrer, Jochen, Albe, Karsten, Deringer, Volker L.
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Materials Science
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Structure-property relations of silicon oxycarbides studied using a machine learning interatomic potential
von: Leimeroth, Niklas, et al.
Veröffentlicht: (2024)

Machine-learning interatomic potentials from a users perspective: A comparison of accuracy, speed and data efficiency
von: Leimeroth, Niklas, et al.
Veröffentlicht: (2025)

Understanding phase transitions of $α$-quartz under dynamic compression conditions by machine-learning driven atomistic simulations
von: Erhard, Linus C., et al.
Veröffentlicht: (2024)

Chemo-mechanical coupling stabilizes mixed $\mathrm{Ag}_{x}\mathrm{Cu}_{1-x}\mathrm{GaSe}_{2}$ solar-cell absorbers: Insights from Monte-Carlo simulations assisted by ab initio informed machine-learning potentials
von: Karanikolas, Vasilios, et al.
Veröffentlicht: (2026)

Electron Polaron at Neutral 180$^\circ$ Domain Wall in PbTiO$_3$: Stability, Trapping Energies, and Transverse Polarization
von: Amirabbasi, Mohammad, et al.
Veröffentlicht: (2026)

Structure–property relations of silicon oxycarbides studied using a machine learning interatomic potential
von: Niklas Leimeroth, et al.
Veröffentlicht: (2024)

Why hole polaron formation on oxygen is limiting the Fermi level in Fe acceptor doped BaTiO$_{3}$ under oxidizing conditions
von: Amirabbasi, Mohammad, et al.
Veröffentlicht: (2026)

Crystal structure identification with 3D convolutional neural networks with application to high-pressure phase transitions in SiO$_2$
von: Erhard, Linus C., et al.
Veröffentlicht: (2024)

First-principles investigation of small polarons in rhombohedral NaNbO$_{3}$
von: Amirabbasi, Mohammad, et al.
Veröffentlicht: (2026)

Mo–Si Alloys Studied by Atomistic Computer Simulations Using a Novel Machine‐Learning Interatomic Potential: Thermodynamics and Interface Phenomena
von: Olena Lenchuk, et al.
Veröffentlicht: (2024)

Defect thermodynamics of orthorhombic Ba$_2$In$_2$O$_5$: First-principles calculations on the role of oxygen dumbbell interstitials
von: Sciotto, Rachele, et al.
Veröffentlicht: (2025)

Dataset and trained potential used for: "Chemo-mechanical coupling stabilizes mixed Ag$_{x}$Cu$_{1-x}$GaSe$_2$ solar-cell absorbers: Insights from Monte-Carlo simulations assisted by ab initio informed machine-learning potentials"
von: Karanikolas, Vasilios, et al.
Veröffentlicht: (2026)

From electrons to phase diagrams with classical and machine learning potentials: automated workflows for materials science with pyiron
von: Menon, Sarath, et al.
Veröffentlicht: (2024)

Signatures of paracrystallinity in amorphous silicon
von: Rosset, Louise A. M., et al.
Veröffentlicht: (2024)

Atomic cluster expansion potential for the Si-H system
von: Rosset, Louise A. M., et al.
Veröffentlicht: (2025)

Simultaneous mapping of magnetic and atomic structure for direct visualization of nanoscale magnetoelastic coupling
von: Kang, Sangjun, et al.
Veröffentlicht: (2024)

The Zintl-Klemm Concept in the Amorphous State: A Case Study of Na-P Battery Anodes
von: Wu, Litong, et al.
Veröffentlicht: (2025)

Li-P-S Electrolyte Materials as a Benchmark for Machine-Learned Interatomic Potentials
von: Fragapane, Natascia L., et al.
Veröffentlicht: (2025)

Machine-learning-driven modelling of amorphous and polycrystalline BaZrS$_{3}$
von: Paşca, Laura-Bianca, et al.
Veröffentlicht: (2025)

First-principles insights into the atomic structure of carbon-nitrogen-oxygen complex color centers in silicon
von: Udvarhelyi, Péter
Veröffentlicht: (2026)

Full-cycle device-scale simulations of memory materials with a tailored atomic-cluster-expansion potential
von: Zhou, Yuxing, et al.
Veröffentlicht: (2025)

Accurate prediction of structural and mechanical properties on amorphous materials enabled through machine-learning potentials: a case study of silicon nitride
von: Nayak, Ganesh Kumar, et al.
Veröffentlicht: (2024)

Thermal stability of nano-scale ferroelectric domains by molecular dynamics modeling
von: Klomp, Arne J., et al.
Veröffentlicht: (2022)

Medium-range structural order in amorphous arsenic
von: Liu, Yuanbin, et al.
Veröffentlicht: (2025)

Hyperparameter Optimization for Atomic Cluster Expansion Potentials
von: Toit, Daniel F. Thomas du, et al.
Veröffentlicht: (2024)

The Microscopic Nature of Orbital Disorder in LaMnO$_{3}$
von: Batnaran, Bodoo, et al.
Veröffentlicht: (2025)

Cartesian atomic moment machine learning interatomic potentials
von: Wen, Mingjian, et al.
Veröffentlicht: (2024)

Grain Boundary Transport in the Argyrodite‐Type Li6PS5Br Solid Electrolyte: Influence of Misorientation and Anion Disorder on Li Ion Mobility
von: Marcel Sadowski, et al.
Veröffentlicht: (2024)

The structure and topology of an amorphous metal-organic framework
von: Nicholas, Thomas C., et al.
Veröffentlicht: (2025)

3D deep learning for enhanced atom probe tomography analysis of nanoscale microstructures
von: Yu, Jiwei, et al.
Veröffentlicht: (2024)

Enhanced piezoelectric response at nanoscale vortex structures in ferroelectrics
von: Shi, Xiaowen, et al.
Veröffentlicht: (2023)

The role of nuclear spin diffusion in dynamic nuclear polarization of crystalline nanoscale silicon particles
von: von Witte, Gevin, et al.
Veröffentlicht: (2024)

Applications of silicon carbide as window materials in atomic cells and atomic devices
von: Xie, Z. -P., et al.
Veröffentlicht: (2025)

Impact of a $MoS_2$ monolayer on the nanoscale thermoelastic response of silicon heterostructures
von: Soranzio, Davide, et al.
Veröffentlicht: (2024)

Intertwined atomic-nanoscale-microscale structures via intralayer anisotropic Fe-chains in the layered ferromagnet FePd2Te2
von: Wang, Manyu, et al.
Veröffentlicht: (2026)

Graph atomic cluster expansion for foundational machine learning interatomic potentials
von: Lysogorskiy, Yury, et al.
Veröffentlicht: (2025)

Robustness of Local Predictions in Atomistic Machine Learning Models
von: Chong, Sanggyu, et al.
Veröffentlicht: (2023)

Autonomous interpretation of atomistic scattering data
von: Anker, Andy S., et al.
Veröffentlicht: (2025)

Global structure searches under varying temperatures and pressures using polynomial machine learning potentials: A case study on silicon
von: Wakai, Hayato, et al.
Veröffentlicht: (2025)

Bayesian optimization of atomic structures with prior probabilities from universal interatomic potentials
von: Lyngby, Peder, et al.
Veröffentlicht: (2024)