Buchumschlag

Machine learning-guided construction of an analytic kinetic energy functional for orbital free density functional theory

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Manzhos, Sergei, Luder, Johann, Golub, Pavlo, Ihara, Manabu
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Materials Science Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Machine learning of kinetic energy densities with target and feature averaging: better results with fewer training data
von: Manzhos, Sergei, et al.
Veröffentlicht: (2023)

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

Orders-of-coupling representation with a single neural network with optimal neuron activation functions and without nonlinear parameter optimization
von: Manzhos, Sergei, et al.
Veröffentlicht: (2023)

Gaussian Process Regression -- Neural Network Hybrid with Optimized Redundant Coordinates
von: Manzhos, Sergei, et al.
Veröffentlicht: (2025)

Degeneration of kernel regression with Matern kernels into low-order polynomial regression in high dimension
von: Manzhos, Sergei, et al.
Veröffentlicht: (2023)

Machine learning the screening factor in the soft bond valence approach for rapid crystal structure estimation
von: Kameda, Keisuke, et al.
Veröffentlicht: (2024)

Neural networks for neurocomputing circuits: a computational study of tolerance to noise and activation function non-uniformity when machine learning materials properties
von: Thant, Ye min, et al.
Veröffentlicht: (2025)

Machine learning frontier orbital energies of nanodiamonds
von: Kirschbaum, Thorren, et al.
Veröffentlicht: (2022)

Gaussian Process Regression–Neural Network Hybrid with Optimized Redundant Coordinates: A New Simple Yet Potent Tool for Scientist's Machine Learning Toolbox
von: Sergei Manzhos, et al.
Veröffentlicht: (2026)

Machine learning for structure-guided materials and process design
von: Morand, Lukas, et al.
Veröffentlicht: (2023)

Machine learning based nonlocal kinetic energy density functional for simple metals and alloys
von: Sun, Liang, et al.
Veröffentlicht: (2023)

Grad DFT: a software library for machine learning enhanced density functional theory
von: Casares, Pablo A. M., et al.
Veröffentlicht: (2023)

Fast and stable tight-binding framework for nonlocal kinetic energy density functional reconstruction in orbital-free density functional calculations
von: Chen, Yongshuo, et al.
Veröffentlicht: (2024)

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

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

Machine Learning for Improved Density Functional Theory Thermodynamics
von: Simak, Sergei I., et al.
Veröffentlicht: (2025)

Learning local and semi-local density functionals from exact exchange-correlation potentials and energies
von: Kanungo, Bikash, et al.
Veröffentlicht: (2024)

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

Machine-learned models for magnetic materials
von: Leszczyński, Paweł, et al.
Veröffentlicht: (2023)

Model-free quantification of completeness, uncertainties, and outliers in atomistic machine learning using information theory
von: Schwalbe-Koda, Daniel, et al.
Veröffentlicht: (2024)

Accelerating superconductor discovery through tempered deep learning of the electron-phonon spectral function
von: Gibson, Jason B., et al.
Veröffentlicht: (2024)

Predicting Battery Capacity Fade Using Probabilistic Machine Learning Models With and Without Pre-Trained Priors
von: Kenney, Michael J., et al.
Veröffentlicht: (2024)

Kinetics of orbital ordering in cooperative Jahn-Teller models: Machine-learning enabled large-scale simulations
von: Ghosh, Supriyo, et al.
Veröffentlicht: (2024)

Reinforcement learning-guided optimization of critical current in high-temperature superconductors
von: Cheng, Mouyang, et al.
Veröffentlicht: (2025)

Machine learning driven search of hydrogen storage materials
von: Banerjee, Tanumoy, et al.
Veröffentlicht: (2025)

Machine learning approach for vibronically renormalized electronic band structures
von: Aryal, Niraj, et al.
Veröffentlicht: (2024)

Predicting ionic conductivity in solids from the machine-learned potential energy landscape
von: Maevskiy, Artem, et al.
Veröffentlicht: (2024)

Machine learning assisted screening of metal binary alloys for anode materials
von: Shi, Xingyue, et al.
Veröffentlicht: (2024)

Machine learning the derivative discontinuity of density-functional theory
von: Gedeon, Johannes, et al.
Veröffentlicht: (2021)

Machine learning based approach for solving atomic structures of nanomaterials combining pair distribution functions with density functional theory
von: Kløve, Magnus, et al.
Veröffentlicht: (2022)

Machine learning enhanced atom probe tomography analysis: a snapshot review
von: Li, Yue, et al.
Veröffentlicht: (2025)

Machine learning model for predicting surface wettability in laser-textured metal alloys
von: Sanandaji, Mohammad Mohammadzadeh, et al.
Veröffentlicht: (2026)

Considerations in the use of ML interaction potentials for free energy calculations
von: Mendible, Orlando A., et al.
Veröffentlicht: (2024)

Inverse designing metamaterials with programmable nonlinear functional responses in graph space
von: Maurizi, Marco, et al.
Veröffentlicht: (2024)

Machine-learning-enabled interpretation of tribological deformation patterns in large-scale MD data
von: Ehrich, Hendrik J., et al.
Veröffentlicht: (2025)

Contrast transfer functions help quantify neural network out-of-distribution generalization in HRTEM
von: DaCosta, Luis Rangel, et al.
Veröffentlicht: (2025)

Deep-learning density functional perturbation theory
von: Li, He, et al.
Veröffentlicht: (2024)

InvDesFlow-AL: active learning-based workflow for inverse design of functional materials
von: Han, Xiao-Qi, et al.
Veröffentlicht: (2025)

Systematic study of one-point kinetic energy density functionals for atomic nuclei
von: Shang, Tian Shuai, et al.
Veröffentlicht: (2026)

Ward identities and orbital magnetization in current density functional theory
von: Vignale, Giovanni, et al.
Veröffentlicht: (2026)