Buchumschlag

A Robust Machine Learned Interatomic Potential for Nb: Collision Cascade Simulations with accurate Defect Configurations

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Bhardwaj, Utkarsh, Mishra, Vinayak, Mondal, Suman, Warrier, Manoj
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Materials Science
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Molecular Dynamics Simulations of Collision Cascades in Niobium: Comparing Interatomic Potentials
von: Mondal, S., et al.
Veröffentlicht: (2025)

Identifying Subcascades From The Primary Damage State Of Collision Cascades
von: Bhardwaj, Utkarsh, et al.
Veröffentlicht: (2023)

Stability of <100> Dislocations formed in W Collision Cascades
von: Bhardwaj, Utkarsh, et al.
Veröffentlicht: (2022)

Molecular dynamics simulations of the defect evolution in tungsten on successive collision cascades
von: Bhardwaj, Utkarsh, et al.
Veröffentlicht: (2024)

Statistical Study of the Defect Cluster Morphology in the Primary Damage of Tungsten from Collision Cascades from Five Inter-atomic potentials
von: Warrier, M., et al.
Veröffentlicht: (2024)

Pattern Matching and Classification of Clusters in Collision Cascades
von: Bhardwaj, Utkarsh, et al.
Veröffentlicht: (2018)

Multi-fidelity Machine Learning Interatomic Potentials for Charged Point Defects
von: Wang, Xinwei, et al.
Veröffentlicht: (2026)

Machine Learning Interatomic Potentials for Million-Atom Simulations of Multicomponent Alloys
von: Shuang, Fei, et al.
Veröffentlicht: (2026)

MLIP-MC: A Framework for Adsorption Simulations using Machine-Learned Interatomic Potentials
von: Edwards, Connor W., et al.
Veröffentlicht: (2026)

A "Magnetic" Machine Learning Interatomic Potential for Nickel
von: Gong, Xiaoguo, et al.
Veröffentlicht: (2023)

Uncertainty Quantification for Misspecified Machine Learned Interatomic Potentials
von: Perez, Danny, et al.
Veröffentlicht: (2025)

Classical and Machine Learning Interatomic Potentials for BCC Vanadium
von: Wang, Rui, et al.
Veröffentlicht: (2022)

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

Mixture of Experts Framework in Machine Learning Interatomic Potentials for Atomistic Simulations
von: Nascimento, Gabriel de Miranda, et al.
Veröffentlicht: (2026)

Benchmarking Universal Machine Learning Interatomic Potentials on Elemental Systems
von: Tahmasbi, Hossein, et al.
Veröffentlicht: (2025)

Energy Underprediction from Symmetry in Machine-Learning Interatomic Potentials
von: Nong, Wei, et al.
Veröffentlicht: (2025)

Machine Learning Interatomic Potentials Enable Molecular Dynamics Simulations of Doped MoS2
von: Faiyad, Abrar, et al.
Veröffentlicht: (2025)

Universal Machine Learning Interatomic Potentials are Ready for Phonons
von: Loew, Antoine, et al.
Veröffentlicht: (2024)

Importance of Electronic Entropy for Machine Learning Interatomic Potentials
von: Petersen, Martin Hoffmann, et al.
Veröffentlicht: (2026)

Adaptive Loss Weighting for Machine Learning Interatomic Potentials
von: Ocampo, Daniel, et al.
Veröffentlicht: (2024)

Characterizing Defect Dynamics in Silicon Carbide Using Symmetry-Adapted Collective Variables and Machine Learning Interatomic Potentials
von: Dutta, Soumajit, et al.
Veröffentlicht: (2025)

Phosphorus-based lubricant additives on iron with Machine Learning Interatomic Potentials
von: Restuccia, Paolo, et al.
Veröffentlicht: (2025)

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

Benchmarking Universal Machine Learning Interatomic Potentials for Elastic Property Prediction
von: Gao, Pengfei, et al.
Veröffentlicht: (2025)

Evaluation of Foundational Machine Learned Interatomic Potentials for Migration Barrier Predictions
von: Bheemaguli, Achinthya Krishna, et al.
Veröffentlicht: (2025)

Improving Reliability of Machine Learned Interatomic Potentials With Physics-Informed Pretraining
von: Zheng, Qianyu, et al.
Veröffentlicht: (2026)

Discovering High-Entropy Oxides with a Machine-Learning Interatomic Potential
von: Sivak, Jacob T., et al.
Veröffentlicht: (2024)

Machine Learned Interatomic Potentials for Ternary Carbides trained on the AFLOW Database
von: Roberts, Josiah, et al.
Veröffentlicht: (2024)

Small-Cell-Based Fast Active Learning of Machine Learning Interatomic Potentials
von: Meng, Zijian, et al.
Veröffentlicht: (2025)

PFT: Phonon Fine-tuning for Machine Learned Interatomic Potentials
von: Koker, Teddy, et al.
Veröffentlicht: (2026)

Bias in Universal Machine-Learned Interatomic Potentials and its Effects on Fine-Tuning
von: Wong, Nicolas, et al.
Veröffentlicht: (2026)

A Simple and Efficient Non-DFT-Based Machine Learning Interatomic Potential to Simulate Titanium MXenes
von: Thomazini, Luis F. V., et al.
Veröffentlicht: (2025)

Uncertainty Quantification in Atomistic Simulations of Silicon using Interatomic Potentials
von: Best, I. R., et al.
Veröffentlicht: (2024)

Evaluating Mechanical Property Prediction across Material Classes using Molecular Dynamics Simulations with Universal Machine-Learned Interatomic Potentials
von: Stracke, Konstantin, et al.
Veröffentlicht: (2025)

Uni2D: A Universal Machine Learning Interatomic Potential for Two-Dimensional Materials
von: Wang, Haidi, et al.
Veröffentlicht: (2025)

Universal Machine Learning Interatomic Potentials are Ready for Solid Ion Conductors
von: Du, Hongwei, et al.
Veröffentlicht: (2025)

Hydrogen under Pressure as a Benchmark for Machine-Learning Interatomic Potentials
von: Bischoff, Thomas, et al.
Veröffentlicht: (2024)

Beyond Scaling: Chemical Intuition as Emergent Ability of Universal Machine Learning Interatomic Potentials
von: Hattori, Shinnosuke, et al.
Veröffentlicht: (2025)

Machine Learning a Universal Harmonic Interatomic Potential for Predicting Phonons in Crystalline Solids
von: Lee, Huiju, et al.
Veröffentlicht: (2024)

Investigating Ionic Diffusivity in Amorphous Solid Electrolytes using Machine Learned Interatomic Potentials
von: Seth, Aqshat, et al.
Veröffentlicht: (2024)