Buchumschlag

Improving robustness and training efficiency of machine-learned potentials by incorporating short-range empirical potentials

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yan, Zihan, Fan, Zheyong, Zhu, Yizhou
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

Revealing the impact of chemical short-range order on radiation damage in MoNbTaVW high-entropy alloys using a machine-learning potential
von: Liu, Jiahui, et al.
Veröffentlicht: (2025)

Nine-element machine-learned interatomic potentials for multiphase refractory alloys
von: Byggmästar, Jesper, et al.
Veröffentlicht: (2026)

Capturing short-range order in high-entropy alloys with machine learning potentials
von: Cao, Yifan, et al.
Veröffentlicht: (2024)

Insight into the effect of force error on the thermal conductivity from machine-learned potentials
von: Zhou, Wenjiang, et al.
Veröffentlicht: (2024)

Data-efficient multi-fidelity training for high-fidelity machine learning interatomic potentials
von: Kim, Jaesun, et al.
Veröffentlicht: (2024)

Utilizing a machine-learned potential to explore enhanced radiation tolerance in the MoNbTaVW high-entropy alloy
von: Liu, Jiahui, et al.
Veröffentlicht: (2024)

qNEP: A highly efficient neuroevolution potential with dynamic charges for large-scale atomistic simulations
von: Fan, Zheyong, et al.
Veröffentlicht: (2026)

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

On-the-fly training of polynomial machine learning potentials in computing lattice thermal conductivity
von: Togo, Atsushi, et al.
Veröffentlicht: (2024)

Triplet Envelope Functions for increasing machine learning interatomic potential efficiency and stability
von: Annevelink, Emil, et al.
Veröffentlicht: (2026)

Benchmarking empirical and machine-learned interatomic potentials using phase diagram predictions for Lead
von: Hellyar, Tom, et al.
Veröffentlicht: (2026)

Molecular dynamics simulations of heat transport using machine-learned potentials: A mini review and tutorial on GPUMD with neuroevolution potentials
von: Dong, Haikuan, et al.
Veröffentlicht: (2024)

Anisotropic and isotropic elasticity and thermal transport in monolayer C$_{24}$ networks from machine-learning molecular dynamics
von: Li, Qing, et al.
Veröffentlicht: (2025)

Environment-adaptive machine learning potentials
von: Nguyen, Ngoc Cuong, et al.
Veröffentlicht: (2024)

Effects of training machine-learning potentials for radiation damage simulations using different pseudopotentials
von: Fellman, A., et al.
Veröffentlicht: (2025)

A foundation machine learning potential with polarizable long-range interactions for materials modelling
von: Gao, Rongzhi, et al.
Veröffentlicht: (2024)

An efficient forgetting-aware fine-tuning framework for pretrained universal machine-learning interatomic potentials
von: Kim, Jisu, et al.
Veröffentlicht: (2025)

Heat transport in superionic materials via machine-learned molecular dynamics
von: Zhou, Wenjiang, et al.
Veröffentlicht: (2025)

General-purpose machine-learned potential for 16 elemental metals and their alloys
von: Song, Keke, et al.
Veröffentlicht: (2023)

Exploring the energy landscape of aluminas through machine learning interatomic potential
von: Zhang, Lei, et al.
Veröffentlicht: (2024)

Accurate and efficient machine learning interatomic potentials for finite temperature modeling of molecular crystals
von: Della Pia, Flaviano, et al.
Veröffentlicht: (2025)

Density dependence of thermal conductivity in nanoporous and amorphous carbon with machine-learned molecular dynamics
von: Wang, Yanzhou, et al.
Veröffentlicht: (2024)

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

Performance of universal machine learning potentials in global optimization
von: Marcial, Edan T., et al.
Veröffentlicht: (2026)

Benchmarking phonon anharmonicity in machine learning interatomic potentials
von: Bandi, Sasaank, et al.
Veröffentlicht: (2024)

Short-range order and its impacts on the BCC NbMoTaW multi-principal element alloy by the machine-learning potential
von: Santos-Florez, Pedro A., et al.
Veröffentlicht: (2022)

Efficient small-cell sampling for machine-learning potentials of multi-principal element alloys
von: Liu, Yan, et al.
Veröffentlicht: (2025)

A Perspective on Training Machine Learning Force Fields for Solid-State Electrolyte Materials
von: Yan, Zihan, et al.
Veröffentlicht: (2026)

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

Toward machine learning interatomic potentials for modeling uranium mononitride
von: Alzate-Vargas, Lorena, et al.
Veröffentlicht: (2024)

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

Combining linear-scaling quantum transport and machine-learning molecular dynamics to study thermal and electronic transports in complex materials
von: Fan, Zheyong, et al.
Veröffentlicht: (2023)

Efficient moment tensor machine-learning interatomic potential for accurate description of defects in Ni-Al Alloys
von: Wang, Jiantao, et al.
Veröffentlicht: (2024)

Efficient training of machine learning potentials for metallic glasses: CuZrAl validation
von: Wadowski, Antoni, et al.
Veröffentlicht: (2024)

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

Structural and transport properties of LiTFSI/G3 electrolyte with machine-learned molecular dynamics
von: Cao, Chenyang, et al.
Veröffentlicht: (2025)

Solute segregation in polycrystalline aluminum from hybrid Monte Carlo and molecular dynamics simulations with a unified neuroevolution potential
von: Song, Keke, et al.
Veröffentlicht: (2024)

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

Lattice thermal conductivity of 16 elemental metals from molecular dynamics simulations with a unified neuroevolution potential
von: Cao, Shuo, et al.
Veröffentlicht: (2025)

Optimizing thermoelectric performance of graphene antidot lattices via quantum transport and machine-learning molecular dynamics simulations
von: Xiao, Yang, et al.
Veröffentlicht: (2025)