Search for stable and low-energy Ce-Co-Cu ternary compounds using machine learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Xia, Weiyi, Tee, Wei-Shen, Canfield, Paul, Flint, Rebecca, Wang, Cai-Zhuang
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Materials Science Computational Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Machine learning accelerated prediction of Ce-based ternary compounds involving antagonistic pairs
von: Xia, Weiyi, et al.
Veröffentlicht: (2024)

La$_4$Co$_4$X (X = Pb, Bi, Sb): a demonstration of antagonistic pairs as a route to quasi-low dimensional ternary compounds
von: Slade, Tyler J., et al.
Veröffentlicht: (2024)

Coexistence of low and high spin states in La$_{18}$Co$_{28}$Pb$_{3}$
von: Xia, Weiyi, et al.
Veröffentlicht: (2024)

Accelerated discovery and design of Fe-Co-Zr magnets with tunable magnetic anisotropy through machine learning and parallel computing
von: Xia, Weiyi, et al.
Veröffentlicht: (2025)

Physical properties of $R$Co$_{2}$Al$_{8}$ ($R=$ La, Ce, Pr, Nd and Sm) single crystals: An emerging structure-type for anisotropic Kondo lattice studies
von: Garcia, Fernando A., et al.
Veröffentlicht: (2025)

Polynomial machine learning potential and its application to global structure search in the ternary Cu-Ag-Au alloy
von: Seko, Atsuto
Veröffentlicht: (2024)

Giant magnetic anisotropy of Pb atoms in 3d-based magnets
von: Xia, Weiyi, et al.
Veröffentlicht: (2024)

exa-AMD: An Exascale-Ready Framework for Accelerating the Discovery and Design of Functional Materials
von: Xia, Weiyi, et al.
Veröffentlicht: (2025)

Computing ternary liquid phase diagrams: Fe-Cu-Ni
von: Trinkle, Dallas R.
Veröffentlicht: (2025)

A machine-learned kinetic energy model for light weight metals and compounds of group III-V elements
von: Lüder, Johann, et al.
Veröffentlicht: (2024)

Decoding lithium's subtle phase stability with a machine learning force field
von: Shen, Yiheng, 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)

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)

Use of frit-disc crucible sets to make solution growth more quantitative and versatile
von: Canfield, Paul C., et al.
Veröffentlicht: (2025)

Direct observation of nanoscale pinning centers in Ce(Co0.8Cu0.2)5.4 permanent magnets
von: Polin, Nikita, et al.
Veröffentlicht: (2025)

Adaptive energy reference for machine-learning models of the electronic density of states
von: How, Wei Bin, et al.
Veröffentlicht: (2024)

exaPD: A highly parallelizable workflow for multi-element phase diagram (PD) construction
von: Zhang, Feng, et al.
Veröffentlicht: (2025)

Interpretable machine learned predictions of adsorption energies at the metal--oxide interface
von: Nielsen, Marius Juul, et al.
Veröffentlicht: (2025)

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

Understanding the role of defects in the lattice transport properties of half-Heusler compounds: a machine learning analysis
von: Yazdani-Kachoei, M., et al.
Veröffentlicht: (2024)

Emergence of ferromagnetic state due to structural disorder in pseudo-binary Ce(Fe0.9Co0.1)2 compound
von: Musiał, Andrzej, et al.
Veröffentlicht: (2026)

Room-temperature shape-memory effect in Sr(Ni$_{1-x}$Cu$_x$)$_2$P$_2$
von: Schmidt, Juan, et al.
Veröffentlicht: (2026)

Prediction of ambient pressure superconductivity in cubic ternary hydrides with MH$_6$ octahedra
von: Zheng, Feng, et al.
Veröffentlicht: (2024)

Shotgun crystal structure prediction using machine-learned formation energies
von: Liu, Chang, et al.
Veröffentlicht: (2023)

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

A machine learning platform for development of low flammability polymers
von: Phan, Duy Nhat, et al.
Veröffentlicht: (2025)

Revisiting thermal transport in CuCl: First-principles calculations and machine learning force fields
von: Kundu, Ashis, et al.
Veröffentlicht: (2025)

Additively manufacturable high-strength aluminum alloys with thermally stable microstructures enabled by hybrid machine learning-based design
von: Taheri-Mousavi, S. Mohadeseh, et al.
Veröffentlicht: (2024)

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

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

Formation of cellular/lamellar nanostructure in Sm$_2$Co$_{17}$-type binary and ternary Sm-Co-Zr magnets
von: Polin, Nikita, et al.
Veröffentlicht: (2024)

Tension-compression asymmetry in superelasticity of SrNi2P2 single crystals and the influence of low temperatures
von: Xiao, Shuyang, et al.
Veröffentlicht: (2024)

Accelerating the prediction of stacking fault energy by combining ab initio calculations and machine learning
von: Linda, Albert, et al.
Veröffentlicht: (2024)

Multi-channel machine learning based nonlocal kinetic energy density functional for semiconductors
von: Sun, Liang, et al.
Veröffentlicht: (2024)

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

Pathway to lowest-energy structures and stress relaxation for the surface triple junction verified by machine learning
von: Fang, Yuan, et al.
Veröffentlicht: (2026)

Free-energy perturbation in the exchange-correlation space accelerated by machine learning: Application to silica polymorphs
von: Forslund, Axel, et al.
Veröffentlicht: (2025)

Exploring mechanical and thermal properties of high-entropy ceramics via general machine learning potentials
von: Liu, Yiwen, et al.
Veröffentlicht: (2024)

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

Hierarchical high-throughput screening of alkaline-stable lithium-ion conductors combining machine learning and first-principles calculations
von: Li, Zhuohan, et al.
Veröffentlicht: (2025)