Buchumschlag

Symplectic Spin-Lattice Dynamics with Machine-Learning Potentials

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Huang, Zhengtao, Wang, Han, Xu, Ben
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

Integrating Deep-Learning-Based Magnetic Model and Non-Collinear Spin-Constrained Method: Methodology, Implementation and Application
von: Zheng, Daye, et al.
Veröffentlicht: (2025)

Classical and Machine Learning Interatomic Potentials for BCC Vanadium
von: Wang, Rui, et al.
Veröffentlicht: (2022)

Machine Learning Prediction Models for Solid Electrolytes based on Lattice Dynamics Properties
von: Kim, Jiyeon, et al.
Veröffentlicht: (2024)

Dynamic Training Enhances Machine Learning Potentials for Long-Lasting Molecular Dynamics
von: Žugec, Ivan, et al.
Veröffentlicht: (2025)

Ligand-Controlled Phonon Dynamics in CsPbBr3 Nanocrystals Revealed by Machine-Learned Interatomic Potentials
von: Cha, Seungjun, et al.
Veröffentlicht: (2026)

Smooth Overlap of Spin Orientations: Machine Learning Exchange Fields for Ab-initio Spin Dynamics
von: Gao, Yuqiang, et al.
Veröffentlicht: (2024)

A Fully Ab-Initio Spin-Lattice Dynamics Framework for Magnetic Materials
von: Zhang, Xianxi, et al.
Veröffentlicht: (2026)

Sliding Engineering Spin-Valley-Layer Coupling and Altermagnetism in Bilayer Antiferromagnetic Honeycomb Lattices
von: Jiang, Wen-Xin, et al.
Veröffentlicht: (2025)

Benchmarking Universal Machine Learning Interatomic Potentials for Elastic Property Prediction
von: Gao, Pengfei, et al.
Veröffentlicht: (2025)

Universal Machine Learning Potentials under Pressure
von: Loew, Antoine, et al.
Veröffentlicht: (2025)

Multi-fidelity Machine Learning Interatomic Potentials for Charged Point Defects
von: Wang, Xinwei, et al.
Veröffentlicht: (2026)

Machine-Learned Force Fields for Lattice Dynamics at Coupled-Cluster Level Accuracy
von: Schönbauer, Sita, et al.
Veröffentlicht: (2025)

Optimizing Cross-Domain Transfer for Universal Machine Learning Interatomic Potentials
von: Kim, Jaesun, et al.
Veröffentlicht: (2025)

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

Energy Underprediction from Symmetry in Machine-Learning Interatomic Potentials
von: Nong, Wei, et al.
Veröffentlicht: (2025)

Machine Learning and First-Principles Predictions of Materials with Low Lattice Thermal Conductivity
von: Lin, Chia-Min, et al.
Veröffentlicht: (2024)

INN-FF: A Scalable and Efficient Machine Learning Potential for Molecular Dynamics
von: Mehereen, Taskin, et al.
Veröffentlicht: (2025)

Atomic-Scale Mechanisms of SiO$_2$ Plasma-Enhanced Chemical Vapor Deposition Revealed by Molecular Dynamics with a Machine-Learning Interatomic Potential
von: Kim, Jaehoon, et al.
Veröffentlicht: (2026)

Uncertainty Quantification for Misspecified Machine Learned Interatomic Potentials
von: Perez, Danny, et al.
Veröffentlicht: (2025)

A "Magnetic" Machine Learning Interatomic Potential for Nickel
von: Gong, Xiaoguo, et al.
Veröffentlicht: (2023)

A Lightweight Universal Machine-Learning Interatomic Potential via Knowledge Distillation for Scalable Atomistic Simulations
von: Oh, Sangmin, et al.
Veröffentlicht: (2026)

Dynamic Spin-Lattice Coupling and Statistical Interpretation for the Molecular-Like Excitations in Frustrated Pyrochlores
von: Gao, Shang
Veröffentlicht: (2024)

Fast and Accurate Prediction of Lattice Thermal Conductivity via Machine Learning Surrogates
von: Wang, Zeyu, et al.
Veröffentlicht: (2026)

Machine Learning Interatomic Potentials Enable Molecular Dynamics Simulations of Doped MoS2
von: Faiyad, Abrar, et al.
Veröffentlicht: (2025)

Constant-Potential Machine Learning Molecular Dynamics Simulations Reveal Potential-Regulated Cu Cluster Formation on MoS$_{2}$
von: Zhou, Jingwen, et al.
Veröffentlicht: (2024)

Quantum Spin Supersolid as a precursory Dirac Spin Liquid in a Triangular Lattice Antiferromagnet
von: Jia, Haichen, et al.
Veröffentlicht: (2023)

Machine Learning Potentials for Heterogeneous Catalysis
von: Omranpour, Amir, et al.
Veröffentlicht: (2024)

Benchmarking Universal Machine Learning Interatomic Potentials for Real-Time Analysis of Inelastic Neutron Scattering Data
von: Han, Bowen, et al.
Veröffentlicht: (2025)

Benchmarking Universal Machine Learning Interatomic Potentials on Elemental Systems
von: Tahmasbi, Hossein, et al.
Veröffentlicht: (2025)

Universal Machine Learning Interatomic Potentials are Ready for Phonons
von: Loew, Antoine, et al.
Veröffentlicht: (2024)

Small-Cell-Based Fast Active Learning of Machine Learning Interatomic Potentials
von: Meng, Zijian, et al.
Veröffentlicht: (2025)

Accelerated Prediction of Temperature-Dependent Lattice Thermal Conductivity via Ensembled Machine Learning Models
von: Paliwal, Piyush, et al.
Veröffentlicht: (2025)

Machine Learning Small Polaron Dynamics
von: Birschitzky, Viktor C., et al.
Veröffentlicht: (2024)

A Machine-Learning Accelerated Grand Canonical Sampling Framework for Nuclear Quantum Effects in Constant Potential Electrochemistry
von: Sun, Menglin, et al.
Veröffentlicht: (2024)

Evaluating Mechanical Property Prediction across Material Classes using Molecular Dynamics Simulations with Universal Machine-Learned Interatomic Potentials
von: Stracke, Konstantin, et al.
Veröffentlicht: (2025)

Correlation between Exciton Dynamics and Spin Structure in van der Waals Antiferromagnet NiPS3
von: Wang, Kang, et al.
Veröffentlicht: (2025)

Uni2D: A Universal Machine Learning Interatomic Potential for Two-Dimensional Materials
von: Wang, Haidi, et al.
Veröffentlicht: (2025)

A Deep Learning Potential for Accurate Shock Response Simulations in Tin
von: Chen, Yixin, et al.
Veröffentlicht: (2025)

SpinMultiNet: Neural Network Potential Incorporating Spin Degrees of Freedom with Multi-Task Learning
von: Ueno, Koki, et al.
Veröffentlicht: (2024)

Phosphorus-based lubricant additives on iron with Machine Learning Interatomic Potentials
von: Restuccia, Paolo, et al.
Veröffentlicht: (2025)