Buchumschlag

Electrostatic interactions in atomistic and machine-learned potentials for polar materials

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Monacelli, Lorenzo, Marzari, Nicola
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Materials Science Computational Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Predicting challenging phase transitions with Bayesian active learning
von: Bastonero, Lorenzo, et al.
Veröffentlicht: (2026)

Extreme anharmonicity and thermal contraction of 1D wires
von: Cignarella, Chiara, et al.
Veröffentlicht: (2025)

Simulating the anharmonic phonon spectrum in critical systems: self-consistent phonons and temperature-dependent effective potential methods
von: Monacelli, Lorenzo
Veröffentlicht: (2024)

A unified quantum framework for electrons and ions: The self-consistent harmonic approximation on a neural network curved manifold
von: Monacelli, Lorenzo, et al.
Veröffentlicht: (2024)

Automated all-functionals infrared and Raman spectra
von: Bastonero, Lorenzo, et al.
Veröffentlicht: (2023)

First-principles screening of materials with extreme effective masses
von: Błazucki, Szymon, et al.
Veröffentlicht: (2025)

The thermodynamics of CaSiO3 in Earth's lower mantle
von: Shin, Yongjoong, et al.
Veröffentlicht: (2024)

Massive Atomic Diversity: a compact universal dataset for atomistic machine learning
von: Mazitov, Arslan, et al.
Veröffentlicht: (2025)

Teaching oxidation states to neural networks
von: Malica, Cristiano, et al.
Veröffentlicht: (2024)

First-principles characterization of thermal conductivity in LaPO4-based alloys
von: Pazhedath, Anees, et al.
Veröffentlicht: (2023)

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

Accelerating material melting temperature predictions by implementing machine learning potentials in the SLUSCHI package
von: CampBell, Audrey, et al.
Veröffentlicht: (2024)

High-throughput screening of Weyl semimetals
von: Grassano, Davide, et al.
Veröffentlicht: (2023)

The type-I antiferromagnetic Weyl semimetal InMnTi$_2$
von: Grassano, Davide, et al.
Veröffentlicht: (2022)

Spectral Operator Representations
von: Zadoks, Austin, et al.
Veröffentlicht: (2024)

Predicting the suitability of photocatalysts for water splitting using Koopmans spectral functionals: The case of TiO$_2$ polymorphs
von: Stojkovic, Marija, et al.
Veröffentlicht: (2024)

Unsupervised identification of crystal defects from atomistic potential descriptors
von: Kývala, Lukáš, et al.
Veröffentlicht: (2024)

Exploring the magnetic landscape of easily-exfoliable two-dimensional materials
von: Haddadi, Fatemeh, et al.
Veröffentlicht: (2025)

A foundation machine learning potential with polarizable long-range interactions for materials modelling
von: Gao, Rongzhi, et al.
Veröffentlicht: (2024)

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

High-quality, high-information datasets for universal atomistic machine learning
von: Malosso, Cesare, et al.
Veröffentlicht: (2026)

First-principles phonon physics using the Pheasy code
von: Lin, Changpeng, et al.
Veröffentlicht: (2025)

Predicting electronic screening for fast Koopmans spectral functional calculations
von: Schubert, Yannick, et al.
Veröffentlicht: (2024)

Deep-learning atomistic semi-empirical pseudopotential model for nanomaterials
von: Lin, Kailai, et al.
Veröffentlicht: (2025)

Spin fluctuations steer the electronic behavior in the FeSb$_{3}$ skutterudite
von: Di Lucente, Enrico, et al.
Veröffentlicht: (2025)

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

Laser-driven ferroelectricity in $\mathrm{SrTiO_{3}}$ via quantum fluctuation quenching
von: Libbi, Francesco, et al.
Veröffentlicht: (2025)

Constructing accurate machine-learned potentials and performing highly efficient atomistic simulations to predict structural and thermal properties
von: Liu, Junlan, et al.
Veröffentlicht: (2024)

Automated Workflow for Accurate High-Throughput GW Calculations
von: Varrassi, Lorenzo, et al.
Veröffentlicht: (2024)

First-principles Hubbard parameters with automated and reproducible workflows
von: Bastonero, Lorenzo, 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)

Discovery of sustainable energy materials via the machine-learned material space
von: Grunert, Malte, et al.
Veröffentlicht: (2025)

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

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

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

qNEP: A highly efficient neuroevolution potential with dynamic charges for large-scale atomistic simulations
von: Fan, Zheyong, et al.
Veröffentlicht: (2026)

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

Machine-learned atomistic simulations reveal the basis of hydrogen-induced crack-plane transition in alpha-Fe
von: Xu, Jiaqin, et al.
Veröffentlicht: (2026)

A foundation model for atomistic materials chemistry
von: Batatia, Ilyes, et al.
Veröffentlicht: (2023)