Buchumschlag

Understanding solid nitrogen through machine learning simulation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Kirsz, Marcin, Pruteanu, Ciprian G., Cooke, Peter I. C., Ackland, Graeme J.
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Computational Physics Materials Science
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Frustrated supermolecules: the high-pressure phases of crystalline methane
von: Kirsz, Marcin, et al.
Veröffentlicht: (2026)

Understanding the lifetime of water with dynamic network analysis: the case of CsOH.H2O
von: Ackland, Graeme J., et al.
Veröffentlicht: (2026)

Tadah! A Swiss Army Knife for Developing and Deployment of Machine Learning Interatomic Potentials
von: Kirsz, M., et al.
Veröffentlicht: (2025)

Organic compounds in metallic hydrogen
von: Seeyangnok, Jakkapat, et al.
Veröffentlicht: (2024)

Solid Solubility in Metallic Hydrogen
von: Seeyangnok, Jakkapat, et al.
Veröffentlicht: (2024)

Revealing the proton slingshot mechanism in solid acid electrolytes through machine learning molecular dynamics
von: Wang, Menghang, et al.
Veröffentlicht: (2025)

Superconductivity and strain-enhanced phase stability of Janus tungsten chalcogenide hydride monolayers
von: Seeyangnok, Jakkapat, et al.
Veröffentlicht: (2024)

Application-specific machine-learned interatomic potentials: exploring the trade-off between DFT convergence, MLIP expressivity, and computational cost
von: Baghishov, Ilgar, et al.
Veröffentlicht: (2025)

Uncertainty of DFT calculated mechanical and structural properties of solids due to incompatibility of pseudopotentials and exchange-correlation functionals
von: Maździarz, Marcin
Veröffentlicht: (2024)

Overcoming the chemical complexity bottleneck in on-the-fly machine learned molecular dynamics simulations
von: Timmerman, Lucas R., et al.
Veröffentlicht: (2024)

Navigating chemical design spaces for metal-ion batteries via machine-learning-guided phase-field simulations
von: Taghavian, Hamed, et al.
Veröffentlicht: (2025)

A machine-learning framework for accelerating spin-lattice relaxation simulations
von: Briganti, Valerio, et al.
Veröffentlicht: (2024)

Accelerating point defect simulations using data-driven and machine learning approaches
von: Mannodi-Kanakkithodi, Arun, et al.
Veröffentlicht: (2026)

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

Fast and accurate machine-learned interatomic potentials for large-scale simulations of Cu, Al and Ni
von: Fellman, Aslak, et al.
Veröffentlicht: (2024)

Ultra-fast interpretable machine-learning potentials
von: Xie, Stephen R., et al.
Veröffentlicht: (2021)

Noble-Gas Solubility in Solid and Fluid Metallic Hydrogen
von: Seeyangnok, Jakkapat, et al.
Veröffentlicht: (2026)

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

Transferable empirical pseudopotenials from machine learning
von: Kim, Rokyeon, et al.
Veröffentlicht: (2023)

Accelerated discovery and design of Fe-Co-Zr magnets with tunable magnetic anisotropy through machine learning and parallel computing
von: Xia, Weiyi, et al.
Veröffentlicht: (2025)

Efficient dataset generation for machine learning perovskite alloys
von: Homm, Henrietta, et al.
Veröffentlicht: (2025)

Superconductivity in Janus IV-B transition metal chalcogenide hydrides
von: Seeyangnok, Jakkapat, et al.
Veröffentlicht: (2024)

Composition design of refractory compositionally complex alloys using machine learning models
von: Liang, Tao, et al.
Veröffentlicht: (2026)

Electrostatic interactions in atomistic and machine-learned potentials for polar materials
von: Monacelli, Lorenzo, et al.
Veröffentlicht: (2024)

Constructing multicomponent cluster expansions with machine-learning and chemical embedding
von: Müller, Yann L., et al.
Veröffentlicht: (2024)

Accelerating global search of adsorbate molecule position using machine-learning interatomic potentials with active learning
von: Klimanova, Olga, et al.
Veröffentlicht: (2024)

General-purpose machine-learned potential for 16 elemental metals and their alloys
von: Song, Keke, et al.
Veröffentlicht: (2023)

Efficient construction of effective Hamiltonians with a hybrid machine learning method
von: Cheng, Yang, et al.
Veröffentlicht: (2025)

Screening of material defects using universal machine-learning interatomic potentials
von: Berger, Ethan, et al.
Veröffentlicht: (2025)

Nine-element machine-learned interatomic potentials for multiphase refractory alloys
von: Byggmästar, Jesper, et al.
Veröffentlicht: (2026)

Machine learning-enabled atomistic insights into phase boundary engineering of solid-solution ferroelectrics
von: Wen, Weiru, et al.
Veröffentlicht: (2025)

Unified machine-learning framework for property prediction and time-evolution simulation of strained alloy microstructure
von: Fantasia, Andrea, et al.
Veröffentlicht: (2025)

Microscopic origin of polytype-dependent melting in SiC revealed by machine-learning molecular dynamics
von: Stojanović, Ljiljana, et al.
Veröffentlicht: (2026)

Accelerating off-lattice kinetic Monte Carlo simulations to predict hydrogen vacancy-cluster interactions in $α$-Fe
von: Williams, C. J., et al.
Veröffentlicht: (2022)

Generating new coordination compounds via multireference simulations, genetic algorithms and machine learning: the case of Co(II) molecular magnets
von: Frangoulis, Lion, et al.
Veröffentlicht: (2025)

Classification analysis of transition-metal chalcogenides and oxides using quantum machine learning
von: Vedavyasa, Kurudi V, et al.
Veröffentlicht: (2024)

What can machine learning help with microstructure-informed materials modeling and design?
von: Peng, Xiang-Long, et al.
Veröffentlicht: (2024)

Insight into the effect of force error on the thermal conductivity from machine-learned potentials
von: Zhou, Wenjiang, et al.
Veröffentlicht: (2024)

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

Growth driven phase transitions in Zinc Oxide nanoparticles through machine-learning assisted simulations
von: Gromoff, Quentin, et al.
Veröffentlicht: (2025)