Buchumschlag

Decoding lithium's subtle phase stability with a machine learning force field

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Shen, Yiheng, Xie, Wei
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

Anharmonic thermodynamics redefines metastability and parent phases in ferroelectric HfO2
von: Shen, Yiheng, et al.
Veröffentlicht: (2026)

Temperature dependent ferroelectricity in strained KTaO3 with machine learned force field
von: Zhu, Yu, et al.
Veröffentlicht: (2025)

Point defect formation at finite temperatures with machine learning force fields
von: Mosquera-Lois, Irea, et al.
Veröffentlicht: (2024)

Atomic-scale phase-field modeling with universal machine learning potentials
von: Masuda, Kairi, et al.
Veröffentlicht: (2025)

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

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

A predictive machine learning force field framework for liquid electrolyte development
von: Gong, Sheng, et al.
Veröffentlicht: (2024)

DPmoire: A tool for constructing accurate machine learning force fields in moiré systems
von: Liu, Jiaxuan, et al.
Veröffentlicht: (2024)

Lattice thermal conductivity of ZrSe2 based on the anharmonic phonon approach and on-the-fly machine learning force fields
von: Lu, Yong, et al.
Veröffentlicht: (2024)

Reaction dynamics of lithium-mediated electrolyte decomposition using machine learning potentials
von: Kundu, Sohang, et al.
Veröffentlicht: (2025)

Path-integral molecular dynamics with actively-trained and universal machine learning force fields
von: Solovykh, A. A., et al.
Veröffentlicht: (2025)

Comparing fine-tuning strategies of MACE machine learning force field for modeling Li-ion diffusion in LiF for batteries
von: Alghamdi, Nada, et al.
Veröffentlicht: (2025)

Screening novel cathode materials from the Energy-GNoME database using MACE machine learning force field and DFT
von: Alghamdi, Nada, et al.
Veröffentlicht: (2025)

Charting the thermodynamic stability of hybrid perovskite alloys with machine learning
von: Laakso, Jarno, et al.
Veröffentlicht: (2026)

Decoding the hidden dynamics of super-Arrhenius hydrogen diffusion in multi-principal element alloys via machine learning
von: Shuang, Fei, et al.
Veröffentlicht: (2024)

Comparing classical and machine learning force fields for modeling deformation of solid sorbents relevant for direct air capture
von: Brabson, Logan M., et al.
Veröffentlicht: (2025)

On-demand phase-field modeling: Three-dimensional Landau energy for HfO2 through machine learning
von: Tamura, Yusuke, et al.
Veröffentlicht: (2025)

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

Cluster expansion by transfer learning for phase stability predictions
von: Dana, A., et al.
Veröffentlicht: (2023)

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

Pre-training, fine-tuning, and distillation (PFD): Automatically generating machine learning force fields from universal models
von: Wang, Ruoyu, et al.
Veröffentlicht: (2025)

Triplet Envelope Functions for increasing machine learning interatomic potential efficiency and stability
von: Annevelink, Emil, 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)

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

Cyclic and helical symmetry-informed machine learned force fields: Application to lattice vibrations in carbon nanotubes
von: Sharma, Abhiraj, et al.
Veröffentlicht: (2024)

Navigating chemical design spaces for metal-ion batteries via machine-learning-guided phase-field simulations
von: Taghavian, Hamed, et al.
Veröffentlicht: (2025)

Modelling complex proton transport phenomena -- Exploring the limits of fine-tuning and transferability of foundational machine-learned force fields
von: Grunert, Malte, et al.
Veröffentlicht: (2025)

Long-range interaction effects on the phase transition, mechanical effect, and electric field response of BaTiO3 by machine learning potentials
von: Chen, Po-Yen, et al.
Veröffentlicht: (2026)

Composition based machine learning to predict phases & strength of refractory high entropy alloys
von: Iyengar, M. Sreenidhi, et al.
Veröffentlicht: (2025)

Spin orientation -- a subtle interplay between strain and multipole Coulomb interactions
von: Gupta, Subhra Sen, et al.
Veröffentlicht: (2025)

Pull-off force prediction in viscoelastic adhesive Hertzian contact by physics augmented machine learning
von: Maghami, Ali, et al.
Veröffentlicht: (2025)

Matbench Discovery -- A framework to evaluate machine learning crystal stability predictions
von: Riebesell, Janosh, et al.
Veröffentlicht: (2023)

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)

Electrochemical stability and lithium insertion at the Li|Li3OCl solid electrolyte interface
von: Singh, Deobrat, et al.
Veröffentlicht: (2026)

Modeling phase transformations in Mn-rich disordered rocksalt cathodes with machine learning interatomic potentials
von: Zhong, Peichen, et al.
Veröffentlicht: (2025)

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

Evaluation and thermodynamic optimization of phase diagram of lithium niobate tantalate solid solutions
von: Bashir, Umar, et al.
Veröffentlicht: (2024)

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

Improved cycling stability and lithium utilization in trilayer Al-LLZO revealed by Electrochemical cycling performance
von: Kanabar, Naisargi, et al.
Veröffentlicht: (2026)

Superfolded configuration induced low thermal conductivity in two-dimensional carbon allotropes revealed via machine learning force constant potential
von: Yu, Linfeng, et al.
Veröffentlicht: (2023)