Buchumschlag

Equivariant graph neural network surrogates for predicting the properties of relaxed atomic configurations

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Holber, Jamie, Srivastava, Siddhartha, Garikipati, Krishna
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Materials Science Computational Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Physics- and data-driven Active Learning of neural network representations for free energy functions of materials from statistical mechanics
von: Holber, Jamie, et al.
Veröffentlicht: (2025)

Inference of phase field fracture models
von: Livingston, Elizabeth, et al.
Veröffentlicht: (2025)

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

FE-PINNs: finite-element-based physics-informed neural networks for surrogate modeling
von: Sunil, Pranav, et al.
Veröffentlicht: (2024)

Equivariant graph neural network interatomic potential for Green-Kubo thermal conductivity in phase change materials
von: Lee, Sung-Ho, et al.
Veröffentlicht: (2023)

Facilitating {\it ab initio} configurational sampling of multicomponent solids using an on-lattice neural network model and active learning
von: Kasamatsu, Shusuke, et al.
Veröffentlicht: (2020)

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

Fast contracted Clebsch--Gordan tensor products for equivariant graph neural networks
von: Bochkarev, Anton, et al.
Veröffentlicht: (2026)

Dielectric tensor of perovskite oxides at finite temperature using equivariant graph neural network potentials
von: Kutana, Alex, et al.
Veröffentlicht: (2024)

Machine learning-driven elasticity prediction in advanced inorganic materials via convolutional neural networks
von: Liu, Yujie, et al.
Veröffentlicht: (2025)

Exploring structure diversity in atomic resolution microscopy with graph neural networks
von: Luo, Zheng, et al.
Veröffentlicht: (2024)

Teaching oxidation states to neural networks
von: Malica, Cristiano, et al.
Veröffentlicht: (2024)

Morphological evolution via surface diffusion learned by convolutional, recurrent neural networks: extrapolation and prediction uncertainty
von: Lanzoni, Daniele, et al.
Veröffentlicht: (2022)

Graph-neural-network predictions of solid-state NMR parameters from spherical tensor decomposition
von: Mahmoud, Chiheb Ben, et al.
Veröffentlicht: (2024)

Pattern formation in dense populations studied by inference of nonlinear diffusion‐reaction mechanisms
von: Siddhartha Srivastava, et al.
Veröffentlicht: (2024)

Phase transitions of correlated systems from graph neural networks with quantum embedding techniques
von: Rao, Rishi, et al.
Veröffentlicht: (2024)

Modeling crystal defects using defect-informed neural networks
von: Yang, Ziduo, et al.
Veröffentlicht: (2025)

Computational uncertainties in lattice thermal conductivity prediction of crystalline solids
von: Srivastava, Yagyank, et al.
Veröffentlicht: (2025)

A continuum, computational study of morphogenesis in lithium intermetallic interfaces
von: Shojaei, Mostafa Faghih, et al.
Veröffentlicht: (2024)

Physics-informed neural network framework for solving forward and inverse flexoelectric problems
von: Moon, Hyeonbin, et al.
Veröffentlicht: (2025)

Machine learning and atomic layer deposition: predicting saturation times from reactor growth profiles using artificial neural networks
von: Yanguas-Gil, Angel, et al.
Veröffentlicht: (2022)

Microstructure sensitive recurrent neural network surrogate model of crystal plasticity
von: Atkinson, Michael D., et al.
Veröffentlicht: (2025)

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

Assessing zero-shot generalisation behaviour in graph-neural-network interatomic potentials
von: Mahmoud, Chiheb Ben, et al.
Veröffentlicht: (2025)

Enhancing composition-based materials property prediction by cross-modal knowledge transfer
von: Rubtsov, Ivan, et al.
Veröffentlicht: (2025)

Efficient prediction of potential energy surface and physical properties with Kolmogorov-Arnold Networks
von: Wang, Rui, et al.
Veröffentlicht: (2024)

Equivariant graph convolutional neural networks for the representation of homogenized anisotropic microstructural mechanical response
von: Patel, Ravi, et al.
Veröffentlicht: (2024)

Physics-informed neural operator for predictive parametric phase-field modelling
von: Chen, Nanxi, et al.
Veröffentlicht: (2026)

Equivariant Graph Neural Networks for Prediction of Tensor Material Properties of Crystals
von: Heilman, Alex, et al.
Veröffentlicht: (2024)

General time-reversal equivariant neural network potential for magnetic materials
von: Yu, Hongyu, et al.
Veröffentlicht: (2022)

DeepH-pack: A general-purpose neural network package for deep-learning electronic structure calculations
von: Li, Yang, et al.
Veröffentlicht: (2026)

Accelerating Phonon Thermal Conductivity Prediction by an Order of Magnitude Through Machine Learning-Assisted Extraction of Anharmonic Force Constants
von: Srivastava, Yagyank, et al.
Veröffentlicht: (2024)

A machine-learning framework for accelerating spin-lattice relaxation simulations
von: Briganti, Valerio, et al.
Veröffentlicht: (2024)

Meta-GGA dielectric-dependent and range-separated screened hybrid functional for reliable prediction of material properties
von: Jana, Subrata, et al.
Veröffentlicht: (2025)

Structure and dynamics of the magnetite(001)/water interface from molecular dynamics simulations based on a neural network potential
von: Romano, Salvatore, et al.
Veröffentlicht: (2024)

A general-purpose neural network potential for Ti-Al-Nb alloys towards large-scale molecular dynamics with ab initio accuracy
von: Zhao, Zhiqiang, et al.
Veröffentlicht: (2024)

Prediction of local elasto-plastic stress and strain fields in a two-phase composite microstructure using a deep convolutional neural network
von: Saha, Indrashish, et al.
Veröffentlicht: (2023)

AnisoGNN: graph neural networks generalizing to anisotropic properties of polycrystals
von: Hu, Guangyu, et al.
Veröffentlicht: (2024)

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

Magnetic-field dependence of spin-phonon relaxation and dephasing due to g-factor fluctuations from first principles
von: Quinton, Joshua, et al.
Veröffentlicht: (2024)