Buchumschlag

Deciphering diffuse scattering with machine learning and the equivariant foundation model: The case of molten FeO

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Sivaraman, Ganesh, Benmore, Chris J.
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Materials Science Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Neutron and X-ray Diffraction Reveal the Limits of Long-Range Machine Learning Potentials for Medium-Range Order in Silica Glass
von: Balantrapu, Sai Harshit, et al.
Veröffentlicht: (2026)

How accurate are foundational machine learning interatomic potentials for heterogeneous catalysis?
von: Kempen, Luuk H. E., et al.
Veröffentlicht: (2025)

Thermodynamic assessment of machine learning models for solid-state synthesis prediction
von: Schlesinger, Jane, et al.
Veröffentlicht: (2026)

Machine learning Hubbard parameters with equivariant neural networks
von: Uhrin, Martin, et al.
Veröffentlicht: (2024)

Accelerating the prediction of inorganic surfaces with machine learning interatomic potentials
von: Noordhoek, Kyle, et al.
Veröffentlicht: (2023)

Reciprocal Space Attention for Learning Long-Range Interactions
von: Ramasubramanian, Hariharan, et al.
Veröffentlicht: (2025)

Accurate predictive model of band gap with selected important features based on explainable machine learning
von: Lee, Joohwi, et al.
Veröffentlicht: (2025)

Leveraging neural network interatomic potentials for a foundation model of chemistry
von: Kim, So Yeon, et al.
Veröffentlicht: (2025)

A simulation-based training framework for machine-learning applications in ARPES
von: Na, MengXing, et al.
Veröffentlicht: (2025)

Interpretable machine learning-guided design of Fe-based soft magnetic alloys
von: Nachnani, Aditi, et al.
Veröffentlicht: (2025)

A generative machine learning model for designing metal hydrides applied to hydrogen storage
von: Liu, Xiyuan, et al.
Veröffentlicht: (2026)

A machine learning platform for development of low flammability polymers
von: Phan, Duy Nhat, et al.
Veröffentlicht: (2025)

Cross-functional transferability in universal machine learning interatomic potentials
von: Huang, Xu, et al.
Veröffentlicht: (2025)

Multi-objective optimization and quantum hybridization of equivariant deep learning interatomic potentials on organic and inorganic compounds
von: Laskaris, G., et al.
Veröffentlicht: (2026)

Energy-conserving equivariant GNN for elasticity of lattice architected metamaterials
von: Grega, Ivan, et al.
Veröffentlicht: (2024)

How unconstrained machine-learning models learn physical symmetries
von: Domina, Michelangelo, et al.
Veröffentlicht: (2026)

Accurate, transferable, and verifiable machine-learned interatomic potentials for layered materials
von: Georgaras, Johnathan D., et al.
Veröffentlicht: (2025)

A practical guide to machine learning interatomic potentials -- Status and future
von: Jacobs, Ryan, et al.
Veröffentlicht: (2025)

Lessons from the trenches on evaluating machine-learning systems in materials science
von: Alampara, Nawaf, et al.
Veröffentlicht: (2025)

Facet: highly efficient E(3)-equivariant networks for interatomic potentials
von: Miklaucic, Nicholas, et al.
Veröffentlicht: (2025)

Multimodal machine learning with large language embedding model for polymer property prediction
von: Zhang, Tianren, et al.
Veröffentlicht: (2025)

Predicting ionic conductivity in solids from the machine-learned potential energy landscape
von: Maevskiy, Artem, et al.
Veröffentlicht: (2024)

Matbench Discovery -- A framework to evaluate machine learning crystal stability predictions
von: Riebesell, Janosh, et al.
Veröffentlicht: (2023)

Evaluation of GlassNet for physics-informed machine learning of glass stability and glass-forming ability
von: Allec, Sarah I., et al.
Veröffentlicht: (2024)

Consistent machine learning for topology optimization with microstructure-dependent neural network material models
von: Vijayakumaran, Harikrishnan, et al.
Veröffentlicht: (2024)

Deconstructing equivariant representations in molecular systems
von: Lee, Kin Long Kelvin, et al.
Veröffentlicht: (2024)

AQCat25: Unlocking spin-aware, high-fidelity machine learning potentials for heterogeneous catalysis
von: Allam, Omar, et al.
Veröffentlicht: (2025)

The carbon cost of materials discovery: Can machine learning really accelerate the discovery of new photovoltaics?
von: Walker, Matthew, et al.
Veröffentlicht: (2025)

Learning local equivariant representations for quantum operators
von: Zhouyin, Zhanghao, et al.
Veröffentlicht: (2024)

Revealing the dynamic responses of Pb under shock loading based on DFT-accuracy machine learning potential
von: Hou, Enze, et al.
Veröffentlicht: (2025)

Grand canonical generative diffusion model for crystalline phases and grain boundaries
von: Lei, Bo, et al.
Veröffentlicht: (2024)

Deciphering Acoustic Emission with Machine Learning
von: Berta, Dénes, et al.
Veröffentlicht: (2024)

Optimal design of experiments in the context of machine-learning inter-atomic potentials: improving the efficiency and transferability of kernel based methods
von: Barzdajn, Bartosz, et al.
Veröffentlicht: (2024)

Advancing Magnetic Materials Discovery -- A structure-based machine learning approach for magnetic ordering and magnetic moment prediction
von: Verma, Apoorv, et al.
Veröffentlicht: (2025)

Machine-learned models for magnetic materials
von: Leszczyński, Paweł, et al.
Veröffentlicht: (2023)

Comparing the latent features of universal machine-learning interatomic potentials
von: Chorna, Sofiia, et al.
Veröffentlicht: (2025)

Reducing cross-sample prediction churn in scientific machine learning
von: Prastalo, Gordan, et al.
Veröffentlicht: (2026)

Machine learning driven search of hydrogen storage materials
von: Banerjee, Tanumoy, et al.
Veröffentlicht: (2025)

Automated Construction of Artificial Lattice Structures with Designer Electronic States
von: Narasimha, Ganesh, et al.
Veröffentlicht: (2025)

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