Buchumschlag

Cross-functional transferability in universal machine learning interatomic potentials

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Huang, Xu, Deng, Bowen, Zhong, Peichen, Kaplan, Aaron D., Persson, Kristin A., Ceder, Gerbrand
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

Overcoming systematic softening in universal machine learning interatomic potentials by fine-tuning
von: Deng, Bowen, et al.
Veröffentlicht: (2024)

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

Crystal structure prediction with host-guided inpainting generation and foundation potentials
von: Zhong, Peichen, et al.
Veröffentlicht: (2025)

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

Deep learning of experimental electrochemistry for battery cathodes across diverse compositions
von: Zhong, Peichen, et al.
Veröffentlicht: (2023)

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

Accurate, transferable, and verifiable machine-learned interatomic potentials for layered materials
von: Georgaras, Johnathan D., et al.
Veröffentlicht: (2025)

MP-ALOE: An r2SCAN dataset for universal machine learning interatomic potentials
von: Kuner, Matthew C., et al.
Veröffentlicht: (2025)

Machine learning interatomic potential can infer electrical response
von: Zhong, Peichen, et al.
Veröffentlicht: (2025)

Comparing the latent features of universal machine-learning interatomic potentials
von: Chorna, Sofiia, et al.
Veröffentlicht: (2025)

Effect of cation-disorder on lithium transport in halide superionic conductors
von: Zhong, Peichen, et al.
Veröffentlicht: (2024)

DistMLIP: A Distributed Inference Platform for Machine Learning Interatomic Potentials
von: Han, Kevin, et al.
Veröffentlicht: (2025)

Accelerating the prediction of inorganic surfaces with machine learning interatomic potentials
von: Noordhoek, Kyle, 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)

The Interplay Between Electron Localization, Magnetic Order, and Jahn-Teller Distortion that Dictates LiMnO$_2$ Phase Stability
von: Kam, Ronald L., et al.
Veröffentlicht: (2024)

Interpolation and differentiation of alchemical degrees of freedom in machine learning interatomic potentials
von: Nam, Juno, et al.
Veröffentlicht: (2024)

How accurate are foundational machine learning interatomic potentials for heterogeneous catalysis?
von: Kempen, Luuk H. E., et al.
Veröffentlicht: (2025)

Voltage Mining for (De)lithiation-stabilized Cathodes and a Machine Learning Model for Li-ion Cathode Voltage
von: Li, Haoming Howard, et al.
Veröffentlicht: (2024)

Machine-Learning-Guided Insights into Solid-Electrolyte Interphase Conductivity: Are Amorphous Lithium Fluorophosphates the Key?
von: Zhong, Peichen, et al.
Veröffentlicht: (2025)

A universal augmentation framework for long-range electrostatics in machine learning interatomic potentials
von: Kim, Dongjin, et al.
Veröffentlicht: (2025)

Bayesian optimization of atomic structures with prior probabilities from universal interatomic potentials
von: Lyngby, Peder, et al.
Veröffentlicht: (2024)

A Foundational Potential Energy Surface Dataset for Materials
von: Kaplan, Aaron D., et al.
Veröffentlicht: (2025)

Long-range electrostatics for machine learning interatomic potentials is easier than we thought
von: Kim, Dongjin, et al.
Veröffentlicht: (2025)

Mechanisms of alkali ionic transport in amorphous oxyhalides solid state conductors
von: Binci, Luca, et al.
Veröffentlicht: (2026)

PET-MAD, a lightweight universal interatomic potential for advanced materials modeling
von: Mazitov, Arslan, et al.
Veröffentlicht: (2025)

Systematic assessment of various universal machine-learning interatomic potentials
von: Yu, Haochen, et al.
Veröffentlicht: (2024)

Agentic LLM Reasoning in a Self-Driving Laboratory for Air-Sensitive Lithium Halide Spinel Conductors
von: Fei, Yuxing, et al.
Veröffentlicht: (2026)

Uncertainty-biased molecular dynamics for learning uniformly accurate interatomic potentials
von: Zaverkin, Viktor, et al.
Veröffentlicht: (2023)

Composable and adaptive design of machine learning interatomic potentials guided by Fisher-information analysis
von: Wang, Weishi, et al.
Veröffentlicht: (2025)

Ion correlations explain kinetic selectivity in diffusion-limited solid state synthesis reactions
von: Karan, Vir, et al.
Veröffentlicht: (2025)

MatLLMSearch: Crystal Structure Discovery with Evolution-Guided Large Language Models
von: Gan, Jingru, et al.
Veröffentlicht: (2025)

Optimal design of experiments in the context of machine-learning inter-atomic potentials: improving the efficiency and transferability of kernel based methods
von: Barzdajn, Bartosz, et al.
Veröffentlicht: (2024)

Multi-objective optimization and quantum hybridization of equivariant deep learning interatomic potentials on organic and inorganic compounds
von: Laskaris, G., et al.
Veröffentlicht: (2026)

Facet: highly efficient E(3)-equivariant networks for interatomic potentials
von: Miklaucic, Nicholas, et al.
Veröffentlicht: (2025)

Leveraging neural network interatomic potentials for a foundation model of chemistry
von: Kim, So Yeon, et al.
Veröffentlicht: (2025)

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

Screening of material defects using universal machine-learning interatomic potentials
von: Berger, Ethan, et al.
Veröffentlicht: (2025)

Origin of Enhanced Performance when Mn-Rich Rocksalt Cathodes transform to $δ$-DRX
von: Anand, Shashwat, et al.
Veröffentlicht: (2025)

Atomistic Modeling of Chemical Disorder in Materials: Bridging Classical Methods and AI-Assisted Approaches
von: Peng, Jiayu, et al.
Veröffentlicht: (2026)

Platonic representation of foundation machine learning interatomic potentials
von: Li, Zhenzhu, et al.
Veröffentlicht: (2025)