Polynomial machine learning potential and its application to global structure search in the ternary Cu-Ag-Au alloy

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Seko, Atsuto
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

Systematic global structure search of bismuth-based binary systems under pressure using machine learning potentials
von: Wakai, Hayato, et al.
Veröffentlicht: (2025)

Globally-stable and metastable crystal structure enumeration using polynomial machine learning potentials in elemental As, Bi, Ga, In, La, P, Sb, Sn, and Te
von: Seko, Atsuto
Veröffentlicht: (2024)

Global structure searches under varying temperatures and pressures using polynomial machine learning potentials: A case study on silicon
von: Wakai, Hayato, et al.
Veröffentlicht: (2025)

On-the-fly training of polynomial machine learning potentials in computing lattice thermal conductivity
von: Togo, Atsushi, et al.
Veröffentlicht: (2024)

Predictive power of polynomial machine learning potentials for liquid states in 22 elemental systems
von: Wakai, Hayato, et al.
Veröffentlicht: (2024)

Projector-based efficient estimation of force constants
von: Seko, Atsuto, et al.
Veröffentlicht: (2024)

Finding well-optimized special quasirandom structures with decision diagram
von: Shinohara, Kohei, et al.
Veröffentlicht: (2021)

Machine learning search for stable binary Sn alloys with Na, Ca, Cu, Pd, and Ag
von: Thorn, Aidan, et al.
Veröffentlicht: (2023)

Derivative structure enumeration using binary decision diagram
von: Shinohara, Kohei, et al.
Veröffentlicht: (2020)

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

Search for stable and low-energy Ce-Co-Cu ternary compounds using machine learning
von: Xia, Weiyi, et al.
Veröffentlicht: (2025)

Capturing short-range order in high-entropy alloys with machine learning potentials
von: Cao, Yifan, et al.
Veröffentlicht: (2024)

Hydrogen permeability prediction in palladium alloys and virtual screening of B2-phase stabilized Pd(100-x-y)CuxMy ternary alloys using machine learning
von: Kolor, Eric, et al.
Veröffentlicht: (2025)

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

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

Efficient small-cell sampling for machine-learning potentials of multi-principal element alloys
von: Liu, Yan, et al.
Veröffentlicht: (2025)

Performance of universal machine learning potentials in global optimization
von: Marcial, Edan T., et al.
Veröffentlicht: (2026)

Radiation damage and phase stability of Al$_x$CrCuFeNi$_y$ alloys using a machine-learned interatomic potential
von: Fellman, Aslak, et al.
Veröffentlicht: (2025)

Short-range order and its impacts on the BCC NbMoTaW multi-principal element alloy by the machine-learning potential
von: Santos-Florez, Pedro A., et al.
Veröffentlicht: (2022)

Fine-tuning universal machine learning potentials for transition state search in surface catalysis
von: Cheula, Raffaele, et al.
Veröffentlicht: (2026)

The structure and migration of twin boundaries in tetragonal $β$-Sn: an application of machine learning based interatomic potentials
von: Chesser, Ian, et al.
Veröffentlicht: (2025)

A collinear-spin machine learned interatomic potential for Fe$_{7}$Cr$_{2}$Ni alloy
von: Shenoy, Lakshmi, et al.
Veröffentlicht: (2023)

Autonomous materials search using machine learning and ab initio calculations for L10-FePt-based quaternary alloys
von: Iwasaki, Yuma, et al.
Veröffentlicht: (2024)

Control of ternary alloy composition during remote epitaxy on graphene
von: LaDuca, Zach, et al.
Veröffentlicht: (2023)

Improved sequentially processed Cu(In,Ga)(S,Se)2 by Ag alloying
von: Prot, Aubin JC. M., et al.
Veröffentlicht: (2024)

Fine-tuning of universal machine-learning interatomic potentials for 2D high-entropy alloys
von: Zhou, Chun, et al.
Veröffentlicht: (2026)

Charting the thermodynamic stability of hybrid perovskite alloys with machine learning
von: Laakso, Jarno, et al.
Veröffentlicht: (2026)

Cascading symmetry constraint during machine learning-enabled structural search for sulfur induced Cu(111)-$(\sqrt{43}\times\sqrt{43})$ surface reconstruction
von: Brix, Florian, et al.
Veröffentlicht: (2025)

The study of Ag(Cu) center creation in quartz crystals by thermal annealing at 1200C in oxygen atmosphere from metallic Ag and Au
von: Trukhin, Anatoly, et al.
Veröffentlicht: (2025)

Machine learning potentials for modeling alloys across compositions
von: Sheriff, Killian, et al.
Veröffentlicht: (2025)

Deformation mechanisms and compressive response of NbTaTiZr alloy via machine learning potentials
von: Liu, Hongyang, et al.
Veröffentlicht: (2026)

Active Δ-learning with universal potentials for global structure optimization
von: Pitfield, Joe, et al.
Veröffentlicht: (2025)

Surface segregation in high-entropy alloys from alchemical machine learning
von: Mazitov, Arslan, et al.
Veröffentlicht: (2023)

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

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)

Autonomous thermodynamically informed database generation for machine-learned interatomic potentials and application to magnesium
von: Fletcher, Vincent G., et al.
Veröffentlicht: (2025)

Environment-adaptive machine learning potentials
von: Nguyen, Ngoc Cuong, et al.
Veröffentlicht: (2024)

Machine-learned potential for amorphous Indium-Tin-Oxide alloys
von: Guo, Shuaiyang, et al.
Veröffentlicht: (2026)

Universal machine learning interatomic potentials poised to supplant DFT in modeling general defects in metals and random alloys
von: Shuang, Fei, et al.
Veröffentlicht: (2025)

Minimalist machine-learned interatomic potentials can predict complex structural behaviors accurately
von: Robredo-Magro, Iñigo, et al.
Veröffentlicht: (2025)