Buchumschlag

Leveraging Persistent Homology Features for Accurate Defect Formation Energy Predictions via Graph Neural Networks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Fang, Zhenyao, Yan, Qimin
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

Towards Accurate Prediction of Configurational Disorder Properties in Materials using Graph Neural Networks
von: Fang, Zhenyao, et al.
Veröffentlicht: (2024)

Accurate Prediction of Tensorial Spectra Using Equivariant Graph Neural Network
von: Hsu, Ting-Wei, et al.
Veröffentlicht: (2025)

Database of Tensorial Optical and Transport Properties of Materials From the Wannier Function Method
von: Fang, Zhenyao, et al.
Veröffentlicht: (2025)

A Machine Learning Framework for Modeling Ensemble Properties of Atomically Disordered Materials
von: Fang, Zhenyao, et al.
Veröffentlicht: (2025)

Equivariant Graph Neural Networks for Prediction of Tensor Material Properties of Crystals
von: Heilman, Alex, et al.
Veröffentlicht: (2024)

Graph Transformer Networks for Accurate Band Structure Prediction: An End-to-End Approach
von: Gong, Weiyi, et al.
Veröffentlicht: (2024)

Crystal Hypergraph Convolutional Networks
von: Heilman, Alexander J., et al.
Veröffentlicht: (2024)

Machine Learning Prediction of Charged Defect Formation Energies from Crystal Structures
von: Kiyohara, Shin, et al.
Veröffentlicht: (2025)

Predicting the Thermal Behavior of Semiconductor Defects with Equivariant Neural Networks
von: Zhu, Xiangzhou, et al.
Veröffentlicht: (2025)

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

Sequential Quenching to Predict Semiconductor Defect Concentrations from Formation & Migration Energies: The Case of CdTe:As Doping
von: Arnab, Khandakar Aaditta, et al.
Veröffentlicht: (2026)

Leveraging Domain Adaptation for Accurate Machine Learning Predictions of New Halide Perovskites
von: Gupta, Dipannoy Das, et al.
Veröffentlicht: (2024)

Symmetry-guided data-driven discovery of native quantum defects in two-dimensional materials
von: Tsai, Jeng-Yuan, et al.
Veröffentlicht: (2024)

Featurized Materials Dataset for Formation Energy Prediction (derived from Materials Project)
von: Torlao, Virginio
Veröffentlicht: (2025)

Machine Learning Materials Properties with Accurate Predictions, Uncertainty Estimates, Domain Guidance, and Persistent Online Accessibility
von: Jacobs, Ryan, et al.
Veröffentlicht: (2024)

Materials design based on a material-motif network and heterogeneous graphs
von: Aryal, Anoj, et al.
Veröffentlicht: (2026)

Persistence of Layer-Tolerant Defect Levels in ReS2
von: Maity, Nikhilesh, et al.
Veröffentlicht: (2025)

Crystal Fractional Graph Neural Network for Energy Prediction of High-Entropy Alloys
von: Kotama, Takanori, et al.
Veröffentlicht: (2026)

FIRE-GNN: Force-informed, Relaxed Equivariance Graph Neural Network for Rapid and Accurate Prediction of Surface Properties
von: Hsu, Circe, et al.
Veröffentlicht: (2025)

Tunable and Persistent Macroscopic Polarization in Nominally Centrosymmetric Defective Oxides
von: Park, D. -S., et al.
Veröffentlicht: (2025)

CTGNN: Crystal Transformer Graph Neural Network for Crystal Material Property Prediction
von: Du, Zijian, et al.
Veröffentlicht: (2024)

Predicting and Interpreting Energy Barriers of Metallic Glasses with Graph Neural Networks
von: Li, Haoyu, et al.
Veröffentlicht: (2023)

XANE(3): An E(3)-Equivariant Graph Neural Network for Accurate Prediction of XANES Spectra from Atomic Structures
von: Grizzi, Vitor F., et al.
Veröffentlicht: (2026)

EOSnet: Embedded Overlap Structures for Graph Neural Networks in Predicting Material Properties
von: Tao, Shuo, et al.
Veröffentlicht: (2024)

Self-supervised Representations and Node Embedding Graph Neural Networks for Accurate and Multi-scale Analysis of Materials
von: Kong, Jian-Gang, et al.
Veröffentlicht: (2022)

Revealing the Void-Size Distribution of Silica Glass using Persistent Homology
von: Atila, Achraf, et al.
Veröffentlicht: (2025)

Machine Learning Phonon Spectra for Fast and Accurate Optical Lineshapes of Defects
von: Turiansky, Mark E., et al.
Veröffentlicht: (2025)

CatTSunami: Accelerating Transition State Energy Calculations with Pre-trained Graph Neural Networks
von: Wander, Brook, et al.
Veröffentlicht: (2024)

Scalable Dielectric Tensor Predictions for Inorganic Materials using Equivariant Graph Neural Networks
von: Hua, Haowei, et al.
Veröffentlicht: (2026)

Formation Energy Prediction of Material Crystal Structures using Deep Learning
von: Torlao, V., et al.
Veröffentlicht: (2024)

Graph Neural Network Prediction of Nonlinear Optical Properties
von: Alkabakibi, Yomn, et al.
Veröffentlicht: (2025)

The Case for a Defect Genome Initiative
von: Qimin Yan, et al.
Veröffentlicht: (2024)

SR-CGCNN: Shared Recurrent Convolution in Crystal Graph Neural Networks for Materials Property Prediction
von: Bhattacharjee, Satadeep
Veröffentlicht: (2026)

Learning Thermoelectric Transport from Crystal Structures via Multiscale Graph Neural Network
von: Zeng, Yuxuan, et al.
Veröffentlicht: (2025)

Accurate Excitation Energies of Point Defects from Fast Particle-Particle Random Approximation Calculations
von: Li, Jiachen, et al.
Veröffentlicht: (2024)

Toward Generalizable Surrogate Models for Molecular Dynamics via Graph Neural Networks
von: Immanuel, Judah, et al.
Veröffentlicht: (2025)

Predicting Performance of Microfluidic-Based Alginate Microfibers with Feature-Supplemented Deep Neural Networks
von: Clinkinbeard, Nicholus R., et al.
Veröffentlicht: (2024)

Universal and Experiment-calibrated Prediction of XANES through Crystal Graph Neural Network and Transfer Learning Strategy
von: Lin, Zichang, et al.
Veröffentlicht: (2025)

Integrating Density Functional Theory with Deep Neural Networks for Accurate Voltage Prediction in Alkali-Metal-Ion Battery Materials
von: Hossain, Sk Mujaffar, et al.
Veröffentlicht: (2025)

Study of Entropy-Driven Polymorphic Stability for Aspirin Using Accurate Neural Network Interatomic Potential
von: Hattori, Shinnosuke, et al.
Veröffentlicht: (2024)