Buchumschlag

Data-efficient multi-fidelity training for high-fidelity machine learning interatomic potentials

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Kim, Jaesun, Kim, Jisu, Kim, Jaehoon, Lee, Jiho, Park, Yutack, Kang, Youngho, Han, Seungwu
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

An efficient forgetting-aware fine-tuning framework for pretrained universal machine-learning interatomic potentials
von: Kim, Jisu, et al.
Veröffentlicht: (2025)

Unveiling defect motifs in amorphous GeSe using machine learning interatomic potentials
von: Moon, Minseok, et al.
Veröffentlicht: (2025)

Scalable Parallel Algorithm for Graph Neural Network Interatomic Potentials in Molecular Dynamics Simulations
von: Park, Yutack, et al.
Veröffentlicht: (2024)

Application of pretrained universal machine-learning interatomic potential for physicochemical simulation of liquid electrolytes in Li-ion battery
von: Ju, Suyeon, et al.
Veröffentlicht: (2025)

Atomistic insights into hydrogen migration in IGZO from machine-learning interatomic potential: linking atomic diffusion to device performance
von: Cho, Hyunsung, et al.
Veröffentlicht: (2025)

A Lightweight Universal Machine-Learning Interatomic Potential via Knowledge Distillation for Scalable Atomistic Simulations
von: Oh, Sangmin, et al.
Veröffentlicht: (2026)

Unveiling defect motifs in amorphous GeSe using machine learning interatomic potentials
von: Moon, Minseok, et al.
Veröffentlicht: (2025)

Discovery of oxide Li-conducting electrolytes in uncharted chemical space via topology-constrained crystal structure prediction
von: Hwang, Seungwoo, et al.
Veröffentlicht: (2025)

Atomic-Scale Mechanisms of SiO$_2$ Plasma-Enhanced Chemical Vapor Deposition Revealed by Molecular Dynamics with a Machine-Learning Interatomic Potential
von: Kim, Jaehoon, et al.
Veröffentlicht: (2026)

Optimizing Cross-Domain Transfer for Universal Machine Learning Interatomic Potentials
von: Kim, Jaesun, et al.
Veröffentlicht: (2025)

Are diffusion models ready for materials discovery in unexplored chemical space?
von: Kim, Sanghyun, et al.
Veröffentlicht: (2025)

Neural Network-Driven Molecular Insights into Alkaline Wet Etching of GaN: Toward Atomistic Precision in Nanostructure Fabrication
von: Kim, Purun-hanul, et al.
Veröffentlicht: (2025)

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

Electronic structures of crystalline and amorphous GeSe and GeSbTe compounds using machine learning empirical pseudopotentials
von: Kang, Sungmo, et al.
Veröffentlicht: (2025)

Parameter-aware high-fidelity microstructure generation using stable diffusion
von: Phan, Hoang Cuong, et al.
Veröffentlicht: (2025)

Long-range electrostatics for machine learning interatomic potentials is easier than we thought
von: Kim, Dongjin, et al.
Veröffentlicht: (2025)

Triplet Envelope Functions for increasing machine learning interatomic potential efficiency and stability
von: Annevelink, Emil, et al.
Veröffentlicht: (2026)

Atomistic Insights into Cu/amorphous-Ta$_x$N Interfacial Adhesion via Machine Learning Interatomic Potentials: Effects of Stoichiometry and Interface Construction
von: Choi, Jeong Min, et al.
Veröffentlicht: (2025)

Cartesian atomic moment machine learning interatomic potentials
von: Wen, Mingjian, et al.
Veröffentlicht: (2024)

Benchmarking phonon anharmonicity in machine learning interatomic potentials
von: Bandi, Sasaank, et al.
Veröffentlicht: (2024)

Platonic representation of foundation machine learning interatomic potentials
von: Li, Zhenzhu, et al.
Veröffentlicht: (2025)

Accurate and efficient machine learning interatomic potentials for finite temperature modeling of molecular crystals
von: Della Pia, Flaviano, et al.
Veröffentlicht: (2025)

Toward machine learning interatomic potentials for modeling uranium mononitride
von: Alzate-Vargas, Lorena, et al.
Veröffentlicht: (2024)

Systematic assessment of various universal machine-learning interatomic potentials
von: Yu, Haochen, et al.
Veröffentlicht: (2024)

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

Exploring the energy landscape of aluminas through machine learning interatomic potential
von: Zhang, Lei, et al.
Veröffentlicht: (2024)

Graph atomic cluster expansion for foundational machine learning interatomic potentials
von: Lysogorskiy, Yury, et al.
Veröffentlicht: (2025)

Atomistic modeling of uranium monocarbide with a machine learning interatomic potential
von: Alzate-Vargas, Lorena, et al.
Veröffentlicht: (2025)

AtomProNet: Data flow to and from machine learning interatomic potentials in materials science
von: Galib, Musanna, et al.
Veröffentlicht: (2025)

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

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

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

KLIFF: A framework to develop physics-based and machine learning interatomic potentials
von: Wen, Mingjian, et al.
Veröffentlicht: (2021)

Symmetry-restricted energy landscapes as a benchmark for machine learned interatomic potentials
von: Parackal, Abhijith S, et al.
Veröffentlicht: (2026)

Fast machine learned $α$-Fe-H interatomic potential for hydrogen embrittlement
von: Makkonen, Eetu, et al.
Veröffentlicht: (2025)

Machine learning interatomic potential can infer electrical response
von: Zhong, Peichen, et al.
Veröffentlicht: (2025)

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

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