Buchumschlag

Machine-Learning-Based Interatomic Potentials for Group IIB to VIA Semiconductors: Towards a Universal Model

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Liu, Jianchuan, Zhang, Xingchen, Chen, Tao, Zhang, Yuzhi, Zhang, Duo, Zhang, Linfeng, Chen, Mohan
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Materials Science Computational Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Classical and Machine Learning Interatomic Potentials for BCC Vanadium
von: Wang, Rui, et al.
Veröffentlicht: (2022)

Scaling Machine Learning Interatomic Potentials with Mixtures of Experts
von: Liu, Yuzhi, et al.
Veröffentlicht: (2026)

Universal Machine Learning Interatomic Potentials are Ready for Solid Ion Conductors
von: Du, Hongwei, et al.
Veröffentlicht: (2025)

DPA4: Pushing the Accuracy-Cost Frontier of Interatomic Potentials with EMFA SO(2) Convolution
von: Li, Tiancheng, et al.
Veröffentlicht: (2026)

Universal Machine Learning Interatomic Potentials are Ready for Phonons
von: Loew, Antoine, et al.
Veröffentlicht: (2024)

Structural and mechanical properties of W-Cu compounds characterized by a neural-network-based potential
von: Liu, Jianchuan, et al.
Veröffentlicht: (2025)

Uni2D: A Universal Machine Learning Interatomic Potential for Two-Dimensional Materials
von: Wang, Haidi, et al.
Veröffentlicht: (2025)

Benchmarking Universal Machine Learning Interatomic Potentials on Elemental Systems
von: Tahmasbi, Hossein, et al.
Veröffentlicht: (2025)

Global Universal Scaling and Ultra-Small Parameterization in Machine Learning Interatomic Potentials with Super-Linearity
von: Hu, Yanxiao, et al.
Veröffentlicht: (2025)

Optimizing Cross-Domain Transfer for Universal Machine Learning Interatomic Potentials
von: Kim, Jaesun, et al.
Veröffentlicht: (2025)

Benchmarking Universal Machine Learning Interatomic Potentials for Elastic Property Prediction
von: Gao, Pengfei, et al.
Veröffentlicht: (2025)

Expanding Universal Machine Learning Interatomic Potentials to 97 Elements Towards Nuclear Applications
von: Kuroda, Naoya, et al.
Veröffentlicht: (2026)

Universal and Task‐Specific Machine‐Learning Interatomic Potentials With Eleven‐Element Database for Thermal‐Transport Modeling of Semiconductors and Interfaces
von: Yanxiao Hu, et al.
Veröffentlicht: (2026)

Bias in Universal Machine-Learned Interatomic Potentials and its Effects on Fine-Tuning
von: Wong, Nicolas, et al.
Veröffentlicht: (2026)

Integrating Deep-Learning-Based Magnetic Model and Non-Collinear Spin-Constrained Method: Methodology, Implementation and Application
von: Zheng, Daye, et al.
Veröffentlicht: (2025)

Small-Cell-Based Fast Active Learning of Machine Learning Interatomic Potentials
von: Meng, Zijian, et al.
Veröffentlicht: (2025)

Beyond Scaling: Chemical Intuition as Emergent Ability of Universal Machine Learning Interatomic Potentials
von: Hattori, Shinnosuke, et al.
Veröffentlicht: (2025)

Machine Learning a Universal Harmonic Interatomic Potential for Predicting Phonons in Crystalline Solids
von: Lee, Huiju, et al.
Veröffentlicht: (2024)

A "Magnetic" Machine Learning Interatomic Potential for Nickel
von: Gong, Xiaoguo, et al.
Veröffentlicht: (2023)

Uncertainty Quantification for Misspecified Machine Learned Interatomic Potentials
von: Perez, Danny, et al.
Veröffentlicht: (2025)

Machine Learning Interatomic Potentials for Million-Atom Simulations of Multicomponent Alloys
von: Shuang, Fei, et al.
Veröffentlicht: (2026)

Discovering High-Entropy Oxides with a Machine-Learning Interatomic Potential
von: Sivak, Jacob T., et al.
Veröffentlicht: (2024)

Accelerating Amorphous Alloy Discovery: Data-Driven Property Prediction via General-Purpose Machine Learning Interatomic Potential
von: Gong, Xuhe, et al.
Veröffentlicht: (2025)

Energy Underprediction from Symmetry in Machine-Learning Interatomic Potentials
von: Nong, Wei, et al.
Veröffentlicht: (2025)

Towards Accurate and Scalable High-throughput MOF Adsorption Screening: Merging Classical Force Fields and Universal Machine Learned Interatomic Potentials
von: Bonakala, Satyanarayana, et al.
Veröffentlicht: (2025)

A Lightweight Universal Machine-Learning Interatomic Potential via Knowledge Distillation for Scalable Atomistic Simulations
von: Oh, Sangmin, et al.
Veröffentlicht: (2026)

Importance of Electronic Entropy for Machine Learning Interatomic Potentials
von: Petersen, Martin Hoffmann, et al.
Veröffentlicht: (2026)

Adaptive Loss Weighting for Machine Learning Interatomic Potentials
von: Ocampo, Daniel, et al.
Veröffentlicht: (2024)

Phosphorus-based lubricant additives on iron with Machine Learning Interatomic Potentials
von: Restuccia, Paolo, et al.
Veröffentlicht: (2025)

Improving Reliability of Machine Learned Interatomic Potentials With Physics-Informed Pretraining
von: Zheng, Qianyu, et al.
Veröffentlicht: (2026)

Machine Learned Interatomic Potentials for Ternary Carbides trained on the AFLOW Database
von: Roberts, Josiah, et al.
Veröffentlicht: (2024)

Evaluation of Foundational Machine Learned Interatomic Potentials for Migration Barrier Predictions
von: Bheemaguli, Achinthya Krishna, et al.
Veröffentlicht: (2025)

Multi-fidelity Machine Learning Interatomic Potentials for Charged Point Defects
von: Wang, Xinwei, et al.
Veröffentlicht: (2026)

Model Accuracy and Data Heterogeneity Shape Uncertainty Quantification in Machine Learning Interatomic Potentials
von: Shuang, Fei, et al.
Veröffentlicht: (2025)

Enhancing the Quality and Reliability of Machine Learning Interatomic Potentials through Better Reporting Practices
von: Maxson, Tristan, et al.
Veröffentlicht: (2024)

Benchmarking Universal Machine-Learned Interatomic Potentials for High-Temperature Metal-Organic Framework Chemistry
von: Edwards, Connor W., et al.
Veröffentlicht: (2026)

Ligand-Controlled Phonon Dynamics in CsPbBr3 Nanocrystals Revealed by Machine-Learned Interatomic Potentials
von: Cha, Seungjun, et al.
Veröffentlicht: (2026)

PFT: Phonon Fine-tuning for Machine Learned Interatomic Potentials
von: Koker, Teddy, et al.
Veröffentlicht: (2026)

Energy & Force Regression on DFT Trajectories is Not Enough for Universal Machine Learning Interatomic Potentials
von: Miret, Santiago, et al.
Veröffentlicht: (2025)

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