Buchumschlag

An efficient forgetting-aware fine-tuning framework for pretrained universal machine-learning interatomic potentials

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Kim, Jisu, Lee, Jiho, Oh, Sangmin, Park, Yutack, Hwang, Seungwoo, Han, Seungwu, Kang, Sungwoo, Kang, Youngho
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

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

Application of pretrained universal machine-learning interatomic potential for physicochemical simulation of liquid electrolytes in Li-ion battery
von: Ju, Suyeon, et al.
Veröffentlicht: (2025)

Unveiling defect motifs in amorphous GeSe using machine learning interatomic potentials
von: Moon, Minseok, et al.
Veröffentlicht: (2025)

Unveiling defect motifs in amorphous GeSe using machine learning interatomic potentials
von: Moon, Minseok, et al.
Veröffentlicht: (2025)

Discovery of oxide Li-conducting electrolytes in uncharted chemical space via topology-constrained crystal structure prediction
von: Hwang, Seungwoo, et al.
Veröffentlicht: (2025)

Are diffusion models ready for materials discovery in unexplored chemical space?
von: Kim, Sanghyun, et al.
Veröffentlicht: (2025)

Scalable Parallel Algorithm for Graph Neural Network Interatomic Potentials in Molecular Dynamics Simulations
von: Park, Yutack, et al.
Veröffentlicht: (2024)

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

Atomistic insights into hydrogen migration in IGZO from machine-learning interatomic potential: linking atomic diffusion to device performance
von: Cho, Hyunsung, et al.
Veröffentlicht: (2025)

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

An AI-ready fine-tuning framework for accurate machine-learning interatomic potentials in solid-solid battery interfaces
von: Liu, Xiaoqing, et al.
Veröffentlicht: (2026)

Fine-tuning of universal machine-learning interatomic potentials for 2D high-entropy alloys
von: Zhou, Chun, et al.
Veröffentlicht: (2026)

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

Neural Network-Driven Molecular Insights into Alkaline Wet Etching of GaN: Toward Atomistic Precision in Nanostructure Fabrication
von: Kim, Purun-hanul, et al.
Veröffentlicht: (2025)

Lightweight equivariant model for efficient machine learning interatomic potentials
von: Yang, Ziduo, et al.
Veröffentlicht: (2023)

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

Cross-functional transferability in universal machine learning interatomic potentials
von: Huang, Xu, et al.
Veröffentlicht: (2025)

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

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

Distinguishing characteristics of out‐of‐school adolescents in South Korea: A machine learning approach
von: Yoonsun Han, et al.
Veröffentlicht: (2024)

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

Electronic structures of crystalline and amorphous GeSe and GeSbTe compounds using machine learning empirical pseudopotentials
von: Kang, Sungmo, et al.
Veröffentlicht: (2025)

FastTrack: a fast method to evaluate mass transport in solid leveraging universal machine learning interatomic potential
von: Kang, Hanwen, et al.
Veröffentlicht: (2025)

KLIFF: A framework to develop physics-based and machine learning interatomic potentials
von: Wen, Mingjian, et al.
Veröffentlicht: (2021)

Teacher-student training improves accuracy and efficiency of machine learning interatomic potentials
von: Matin, Sakib, et al.
Veröffentlicht: (2025)

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

Leveraging active learning-enhanced machine-learned interatomic potential for efficient infrared spectra prediction
von: Bhatia, Nitik, et al.
Veröffentlicht: (2025)

Etching-to-deposition transition in SiO$_2$/Si$_3$N$_4$ using CH$_x$F$_y$ ion-based plasma etching: An atomistic study with neural network potentials
von: An, Hyungmin, et al.
Veröffentlicht: (2025)

Universal and efficient graph neural networks with dynamic attention for machine learning interatomic potentials
von: Bi, Shuyu, et al.
Veröffentlicht: (2026)

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

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

Knowing when to trust machine-learned interatomic potentials
von: Mehdi, Shams, et al.
Veröffentlicht: (2026)

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

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

Pushing the limits of unconstrained machine-learned interatomic potentials
von: Bigi, Filippo, et al.
Veröffentlicht: (2026)

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

Metaheuristic Algorithm‐Based Optimal Energy Operation Scheduling and Energy System Sizing Scheme for PV‐ESS Integrated Systems in South Korea
von: Sungwoo Park, et al.
Veröffentlicht: (2024)

Hybrid diffusion models: combining supervised and generative pretraining for label-efficient fine-tuning of segmentation models
von: Sauvalle, Bruno, et al.
Veröffentlicht: (2024)

Combining Brillouin spectroscopy and machine learned interatomic potentials to probe mechanical properties of metal organic frameworks
von: Lindner, Florian P., et al.
Veröffentlicht: (2024)

The transformative capability of quantum-accurate machine learning interatomic potentials
von: Correa, Alfredo A., et al.
Veröffentlicht: (2025)