Buchumschlag

Active Δ-learning with universal potentials for global structure optimization

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Pitfield, Joe, Christiansen, Mads-Peter Verner, Hammer, Bjørk
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

$Δ$-model correction of Foundation Model based on the models own understanding
von: Christiansen, Mads-Peter Verner, et al.
Veröffentlicht: (2025)

Gradient-based grand canonical optimization enabled by graph neural networks with fractional atomic existence
von: Christiansen, Mads-Peter Verner, et al.
Veröffentlicht: (2025)

Cascading symmetry constraint during machine learning-enabled structural search for sulfur induced Cu(111)-$(\sqrt{43}\times\sqrt{43})$ surface reconstruction
von: Brix, Florian, et al.
Veröffentlicht: (2025)

Augmentation of Universal Potentials for Broad Applications
von: Pitfield, Joe, et al.
Veröffentlicht: (2024)

Generating candidates in global optimization algorithms using complementary energy landscapes
von: Slavensky, Andreas Møller, et al.
Veröffentlicht: (2024)

RAFFLE: Active learning accelerated interface structure prediction
von: Taylor, Ned Thaddeus, et al.
Veröffentlicht: (2025)

Efficient Grand Canonical Global Optimization with On-the-fly-trained Machine-learning Interatomic Potentials
von: Dominguez, Jon Eunan Quinlivan, et al.
Veröffentlicht: (2025)

Efficient ensemble uncertainty estimation in Gaussian Processes Regression
von: Christiansen, Mads-Peter Verner, et al.
Veröffentlicht: (2024)

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

Accelerating structure search using atomistic graph-based classifiers
von: Slavensky, Andreas Møller, et al.
Veröffentlicht: (2024)

Generative diffusion model for surface structure discovery
von: Rønne, Nikolaj, et al.
Veröffentlicht: (2024)

Machine learning based approach for solving atomic structures of nanomaterials combining pair distribution functions with density functional theory
von: Kløve, Magnus, et al.
Veröffentlicht: (2022)

Bayesian optimization of atomic structures with prior probabilities from universal interatomic potentials
von: Lyngby, Peder, et al.
Veröffentlicht: (2024)

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

Polynomial machine learning potential and its application to global structure search in the ternary Cu-Ag-Au alloy
von: Seko, Atsuto
Veröffentlicht: (2024)

Atomic-scale phase-field modeling with universal machine learning potentials
von: Masuda, Kairi, et al.
Veröffentlicht: (2025)

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

Fine-tuning universal machine learning potentials for transition state search in surface catalysis
von: Cheula, Raffaele, et al.
Veröffentlicht: (2026)

Systematic global structure search of bismuth-based binary systems under pressure using machine learning potentials
von: Wakai, Hayato, et al.
Veröffentlicht: (2025)

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

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

Active learning potentials for first-principles phase diagrams using replica-exchange nested sampling
von: Unglert, Nico, et al.
Veröffentlicht: (2025)

Errors that matter: Uncertainty-aware universal machine-learning potentials calibrated on experiments
von: Kellner, Matthias, et al.
Veröffentlicht: (2026)

Growth and crystallographic structure of TiTe$_2$ on Au(111): From sub-monolayer structures to single- and multi-layer films
von: Raabgrund, Andreas, et al.
Veröffentlicht: (2026)

Minimalist machine-learned interatomic potentials can predict complex structural behaviors accurately
von: Robredo-Magro, Iñigo, et al.
Veröffentlicht: (2025)

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)

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

Uncertainty-biased molecular dynamics for learning uniformly accurate interatomic potentials
von: Zaverkin, Viktor, et al.
Veröffentlicht: (2023)

Accelerating global search of adsorbate molecule position using machine-learning interatomic potentials with active learning
von: Klimanova, Olga, et al.
Veröffentlicht: (2024)

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

Evaluating and improving the predictive accuracy of mixing enthalpies and volumes in disordered alloys from universal pre-trained machine learning potentials
von: Casillas-Trujillo, Luis, et al.
Veröffentlicht: (2024)

The structure and migration of twin boundaries in tetragonal $β$-Sn: an application of machine learning based interatomic potentials
von: Chesser, Ian, et al.
Veröffentlicht: (2025)

Machine-learning potentials for structurally and chemically complex MAB phases: strain hardening and ripplocation-mediated plasticity
von: Koutná, Nikola, et al.
Veröffentlicht: (2025)

An automated framework for exploring and learning potential-energy surfaces
von: Liu, Yuanbin, et al.
Veröffentlicht: (2024)

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

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

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

Machine learning Landau free energy potentials
von: Pulzone, Mauro, et al.
Veröffentlicht: (2025)

$Δ$SCF in \texttt{VASP} for excited-state defect computations: tips and pitfalls
von: Xiong, Yihuang, et al.
Veröffentlicht: (2025)

Machine learning potential for the Cu-W system
von: Liyanage, Manura, et al.
Veröffentlicht: (2024)