Buchumschlag

Global Universal Scaling and Ultra-Small Parameterization in Machine Learning Interatomic Potentials with Super-Linearity

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Hu, Yanxiao, Sheng, Ye, Huang, Jing, Xu, Xiaoxin, Yang, Yuyan, Zhang, Mingqiang, Wu, Yabei, Ye, Caichao, Yang, Jiong, Zhang, Wenqing
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

Universal and Task‐Specific Machine‐Learning Interatomic Potentials With Eleven‐Element Database for Thermal‐Transport Modeling of Semiconductors and Interfaces
von: Yanxiao Hu, et al.
Veröffentlicht: (2026)

Material-Property-Field-based Deep Neural Network in Hopfield Framework
von: Hu, Yanxiao, et al.
Veröffentlicht: (2026)

Functional Unit: A New Perspective on Materials Science Research Paradigms
von: Ye, Caichao, et al.
Veröffentlicht: (2025)

Scaling Machine Learning Interatomic Potentials with Mixtures of Experts
von: Liu, Yuzhi, et al.
Veröffentlicht: (2026)

Machine Learning Interatomic Potential‐Enabled Discovery of Chlorofullerenes
von: Zi‐Yang Qiu, et al.
Veröffentlicht: (2025)

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

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

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

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

Breaking the Training Barrier of Billion-Parameter Universal Machine Learning Interatomic Potentials
von: Zhou, Yuanchang, et al.
Veröffentlicht: (2026)

Equivariant Machine Learning Interatomic Potentials with Global Charge Redistribution
von: Maruf, Moin Uddin, et al.
Veröffentlicht: (2025)

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

Comparing the Latent Features of Universal Machine‐Learning Interatomic Potentials
von: Sofiia Chorna, et al.
Veröffentlicht: (2026)

Machine-Learning-Based Interatomic Potentials for Group IIB to VIA Semiconductors: Towards a Universal Model
von: Liu, Jianchuan, et al.
Veröffentlicht: (2023)

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

Scalable Data-Driven Basis Selection for Linear Machine Learning Interatomic Potentials
von: Torabi, Tina, et al.
Veröffentlicht: (2025)

Developing a Machine-Learning Interatomic Potential for Non-Covalent Interactions in Proteins
von: Zeng, Lejia, et al.
Veröffentlicht: (2026)

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)

Screening of Material Defects using Universal Machine‐Learning Interatomic Potentials
von: Ethan Berger, et al.
Veröffentlicht: (2025)

Machine Learning Interatomic Potential for Alumina
von: Galib, Musanna
Veröffentlicht: (2025)

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

MatRIS: Toward Reliable and Efficient Pretrained Machine Learning Interatomic Potentials
von: Zhou, Yuanchang, et al.
Veröffentlicht: (2026)

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

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

Node-Equivariant Message Passing for Efficient and Accurate Machine Learning Interatomic Potentials
von: Zhang, Yaolong, et al.
Veröffentlicht: (2025)

Machine Learning Interatomic Potentials with Keras API
von: Rili, James Paolo
Veröffentlicht: (2024)

Machine Learning Interatomic Potentials for Heterogeneous Catalysis
von: Deqi Tang, et al.
Veröffentlicht: (2024)

Efficient Grand Canonical Global Optimization with On-the-fly-trained Machine-learning Interatomic Potentials
von: Dominguez, Jon Eunan Quinlivan, et al.
Veröffentlicht: (2025)

Benchmarking Universal Interatomic Potentials on Zeolite Structures
von: Ito, Shusuke, et al.
Veröffentlicht: (2025)

Performance Assessment of Universal Machine Learning Interatomic Potentials: Challenges and Directions for Materials' Surfaces
von: Focassio, Bruno, et al.
Veröffentlicht: (2024)

Energy & Force Regression on DFT Trajectories is Not Enough for Universal Machine Learning Interatomic Potentials
von: Miret, Santiago, et al.
Veröffentlicht: (2025)

Fine-Tuning Universal Machine-Learned Interatomic Potentials: A Tutorial on Methods and Applications
von: Liu, Xiaoqing, et al.
Veröffentlicht: (2025)

Expanding Universal Machine Learning Interatomic Potentials to 97 Elements Towards Nuclear Applications
von: Kuroda, Naoya, et al.
Veröffentlicht: (2026)

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

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

Ensemble Knowledge Distillation for Machine Learning Interatomic Potentials
von: Matin, Sakib, et al.
Veröffentlicht: (2025)

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

Smooth Dynamic Cutoffs for Machine Learning Interatomic Potentials
von: Han, Kevin, et al.
Veröffentlicht: (2026)

Flexible Uncertainty Calibration for Machine-Learned Interatomic Potentials
von: Ho, Cheuk Hin, et al.
Veröffentlicht: (2025)