Buchumschlag

GPTFF: A high-accuracy out-of-the-box universal AI force field for arbitrary inorganic materials

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Xie, Fankai, Lu, Tenglong, Meng, Sheng, Liu, Miao
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Materials Science
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Weberite Na$_2$MM'F$_7$ (M,M'=Redox-Active Metal) as Promising Fluoride-Based Sodium-Ion Battery Cathodes
von: Lu, Tenglong, et al.
Veröffentlicht: (2023)

FastTrack: a fast method to evaluate mass transport in solid leveraging universal machine learning interatomic potential
von: Kang, Hanwen, et al.
Veröffentlicht: (2025)

Recent Breakthrough in AI-Driven Materials Science: Tech Giants Introduce Groundbreaking Models
von: Liu, Miao, et al.
Veröffentlicht: (2024)

Predicting structure-dependent Hubbard U parameters for assessing hybrid functional-level exchange via machine learning
von: Cao, Zhendong, et al.
Veröffentlicht: (2023)

Effect of the accuracy of interatomic force constants on the prediction of lattice thermal conductivity
von: Xie, Han, et al.
Veröffentlicht: (2017)

Generative design of inorganic materials
von: Recatala-Gomez, Jose, et al.
Veröffentlicht: (2026)

Integrating electronic structure into generative modeling of inorganic materials
von: Park, Junkil, et al.
Veröffentlicht: (2025)

MatterGen: a generative model for inorganic materials design
von: Zeni, Claudio, et al.
Veröffentlicht: (2023)

Decoding lithium's subtle phase stability with a machine learning force field
von: Shen, Yiheng, et al.
Veröffentlicht: (2025)

A closed-loop AI framework for hypothesis-driven and interpretable materials design
von: Ji, Kangyu, et al.
Veröffentlicht: (2025)

Dynamically training machine-learning-based force fields for strongly anharmonic materials
von: Callsen, Martin, et al.
Veröffentlicht: (2026)

Probing out-of-distribution generalization in machine learning for materials
von: Li, Kangming, et al.
Veröffentlicht: (2024)

T2MAT (text-to-materials): A universal agent for generating material structures with goal properties from a single sentence
von: Song, Zhilong, et al.
Veröffentlicht: (2024)

Rapid estimation of synthesizability windows of inorganic materials from first principles
von: Tadge, Finja, et al.
Veröffentlicht: (2026)

Navigating phase diagram complexity to guide robotic inorganic materials synthesis
von: Chen, Jiadong, et al.
Veröffentlicht: (2023)

NEP89: Universal neuroevolution potential for inorganic and organic materials across 89 elements
von: Liang, Ting, et al.
Veröffentlicht: (2025)

A phase field model with arbitrary misorientation dependence of grain boundary energy
von: Staublin, Philip, et al.
Veröffentlicht: (2026)

Screening novel cathode materials from the Energy-GNoME database using MACE machine learning force field and DFT
von: Alghamdi, Nada, et al.
Veröffentlicht: (2025)

Lattice thermal conductivity of ZrSe2 based on the anharmonic phonon approach and on-the-fly machine learning force fields
von: Lu, Yong, et al.
Veröffentlicht: (2024)

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

Significance of the dispersion force for ferroelectric switching in ZnO and related materials
von: Zhang, Lingyao, et al.
Veröffentlicht: (2026)

Predicting the future applications of any stoichiometric inorganic material through learning from past literature
von: Wu, Yu, et al.
Veröffentlicht: (2024)

On the effects of material strength in dynamic fracture: A phase-field study
von: Liu, Yangyuanchen, et al.
Veröffentlicht: (2024)

Pre-training, fine-tuning, and distillation (PFD): Automatically generating machine learning force fields from universal models
von: Wang, Ruoyu, et al.
Veröffentlicht: (2025)

Machine learning-driven elasticity prediction in advanced inorganic materials via convolutional neural networks
von: Liu, Yujie, et al.
Veröffentlicht: (2025)

Tailored ordering enables high-capacity cathode materials
von: Liu, Tzu-chen, et al.
Veröffentlicht: (2025)

Phase-field analysis for brittle fracture in ferroelectric materials with flexoelectric effect
von: Liu, Chang, 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)

On the material genome of wurtzite ferroelectrics
von: Zhou, Zijian, et al.
Veröffentlicht: (2024)

Evaluating and improving the predictive accuracy of mixing enthalpies and volumes in disordered alloys from universal pre-trained machine learning potentials
von: Casillas-Trujillo, Luis, et al.
Veröffentlicht: (2024)

Multi-property directed generative design of inorganic materials through Wyckoff-augmented transfer learning
von: Yamazaki, Shuya, et al.
Veröffentlicht: (2025)

douka: A universal platform of data assimilation for materials modeling
von: Watanabe, Aoi, et al.
Veröffentlicht: (2025)

AI-driven inverse design of materials: Past, present and future
von: Han, Xiao-Qi, et al.
Veröffentlicht: (2024)

Structure-based out-of-distribution (OOD) materials property prediction: a benchmark study
von: Omee, Sadman Sadeed, et al.
Veröffentlicht: (2024)

DPmoire: A tool for constructing accurate machine learning force fields in moiré systems
von: Liu, Jiaxuan, et al.
Veröffentlicht: (2024)

A predictive machine learning force field framework for liquid electrolyte development
von: Gong, Sheng, et al.
Veröffentlicht: (2024)

Bridging deep learning force fields and electronic structures with a physics-informed approach
von: Qi, Yubo, et al.
Veröffentlicht: (2024)

New magnetic topological materials from high-throughput search
von: Robredo, Iñigo, et al.
Veröffentlicht: (2024)

Ferroelectric dynamic-field-driven nucleation and growth model for predictive materials-to-circuit co-design
von: Liang, Yi, et al.
Veröffentlicht: (2026)

Machine learning potential-driven prediction of high-entropy ceramics with ultra-high melting points
von: Meng, Hong, et al.
Veröffentlicht: (2024)