:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Watanabe, Aoi, Sato, Ryuhei, Kinefuchi, Ikuya, Shibuta, Yasushi
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Materials Science Computational Physics
Online-Zugang:	https://arxiv.org/abs/2504.10913
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Competing Hydrogenation Pathways to Metastable CaH$_6$ Revealed by Machine-Learning-Potential Molecular Dynamics
von: Sato, Ryuhei, et al.
Veröffentlicht: (2026)

Universal platform of point-gap topological phases from topological materials
von: Nakamura, Daichi, et al.
Veröffentlicht: (2023)

Practical deviational particle method for variance reduction in polyatomic gas DSMC simulations
von: Shiraishi, Takehiro, et al.
Veröffentlicht: (2024)

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

Polymorphic crystallites model for monolayer amorphous materials
von: Zhu, Le-Ye, et al.
Veröffentlicht: (2026)

Advances in modeling complex materials: The rise of neuroevolution potentials
von: Ying, Penghua, et al.
Veröffentlicht: (2025)

MADAS -- A Python framework for assessing similarity in materials-science data
von: Kuban, Martin, et al.
Veröffentlicht: (2024)

A complete phase-field fracture model for brittle materials subjected to thermal shocks
von: Zeng, Bo, et al.
Veröffentlicht: (2026)

Universal materials model of deep-learning density functional theory Hamiltonian
von: Wang, Yuxiang, et al.
Veröffentlicht: (2024)

What can machine learning help with microstructure-informed materials modeling and design?
von: Peng, Xiang-Long, et al.
Veröffentlicht: (2024)

Algorithmic differentiation for plane-wave DFT: materials design, error control and learning model parameters
von: Schmitz, Niklas Frederik, et al.
Veröffentlicht: (2025)

A universal material model subroutine for soft matter systems
von: Peirlinck, Mathias, et al.
Veröffentlicht: (2024)

Generalizing the structural phase field crystal approach for modeling solid-liquid-vapor phase transformations in pure materials
von: Coelho, Daniel L., et al.
Veröffentlicht: (2024)

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

Accelerating active learning materials discovery with FAIR data and workflows: a case study for alloy melting temperatures
von: Harwani, Mohnish, et al.
Veröffentlicht: (2024)

A tomographic interpretation of structure-property relations for materials discovery
von: Ortega-Ochoa, Raul, et al.
Veröffentlicht: (2025)

Tensor-involved peridynamics: A unified framework for isotropic and anisotropic materials
von: Tian, Hao, et al.
Veröffentlicht: (2024)

A comparative study of transformer models and recurrent neural networks for path-dependent composite materials
von: Uvdal, Petter, et al.
Veröffentlicht: (2026)

A critical assessment of bonding descriptors for predicting materials properties
von: Naik, Aakash Ashok, et al.
Veröffentlicht: (2026)

Generative deep learning for the inverse design of materials
von: Long, Teng, et al.
Veröffentlicht: (2024)

Compressing and forecasting atomic material simulations with descriptors
von: Swinburne, Thomas D
Veröffentlicht: (2023)

Phase field cohesive zone modeling for fatigue crack propagation in quasi-brittle materials
von: Baktheer, A., et al.
Veröffentlicht: (2024)

First-principles screening of materials with extreme effective masses
von: Błazucki, Szymon, et al.
Veröffentlicht: (2025)

MAMBO: a lightweight ontology for multiscale materials and applications
von: Piane, Fabio Le, et al.
Veröffentlicht: (2024)

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

Inelastic Constitutive Kolmogorov-Arnold Networks: A generalized framework for automated discovery of interpretable inelastic material models
von: Ji, Chenyi, et al.
Veröffentlicht: (2026)

Exploring the magnetic landscape of easily-exfoliable two-dimensional materials
von: Haddadi, Fatemeh, et al.
Veröffentlicht: (2025)

Electrostatic interactions in atomistic and machine-learned potentials for polar materials
von: Monacelli, Lorenzo, et al.
Veröffentlicht: (2024)

Guidelines for accurate and efficient calculations of mobilities in two-dimensional materials
von: Zhou, Jiaqi, et al.
Veröffentlicht: (2024)

Equivariant neural network for Green's functions of molecules and materials
von: Dong, Xinyang, et al.
Veröffentlicht: (2023)

Discovery of sustainable energy materials via the machine-learned material space
von: Grunert, Malte, et al.
Veröffentlicht: (2025)

CEMP: a platform unifying high-throughput online calculation, databases and predictive models for clean energy materials
von: Wang, Jifeng, et al.
Veröffentlicht: (2025)

A physics-aware deep learning model for shear band formation around collapsing pores in shocked reactive materials
von: Cheng, Xinlun, et al.
Veröffentlicht: (2025)

Beyond surfaces: quantifying internal radiative heat transport in dense materials
von: Tiwari, Janak, et al.
Veröffentlicht: (2025)

Direction-aware topological descriptors for Young's modulus prediction in porous materials
von: Topolnicki, Rafał, et al.
Veröffentlicht: (2026)

Wenzhou TE: a first-principles calculated thermoelectric materials database
von: Fang, Ying, et al.
Veröffentlicht: (2024)

Surface Magnetization in Antiferromagnets: Classification, example materials, and relation to magnetoelectric responses
von: Weber, Sophie F., et al.
Veröffentlicht: (2023)

Influence of the microstructure on the mechanical behavior of nanoporous materials under large strains
von: Chandrasekaran, Rajesh, et al.
Veröffentlicht: (2024)

Coarse-grained crystal graph neural networks for reticular materials design
von: Korolev, Vadim, et al.
Veröffentlicht: (2023)

Data-Assimilated Crystal Growth Simulation for Multiple Crystalline Phases
von: Kubo, Yuuki, et al.
Veröffentlicht: (2024)