:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zong, Zhicheng, Qin, Yangjun, Zhan, Jiahong, Fang, Haisheng, Yang, Nuo
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Materials Science Computational Physics
Online-Zugang:	https://arxiv.org/abs/2508.03297
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Unveiling the thermal transport mechanism in compressed plastic crystals assisted by deep potential
von: Qin, Yangjun, et al.
Veröffentlicht: (2025)

Using Targeted Phonon Excitation to Modulate Thermal Conductivity of Boron Nitride
von: Pan, Dongkai, et al.
Veröffentlicht: (2023)

Achieving ultra-high anisotropy in thermal conductivity of plastic crystal through megapascal pressure of hot pressing
von: Wu, Zhipeng, et al.
Veröffentlicht: (2024)

Higher-Order-Phonon Scattering Governs Targeted Control of Heat Conduction in Bulk Boron Arsenide
von: Li, Tianhao, et al.
Veröffentlicht: (2025)

Deep potential for interaction between hydrated Cs+ and graphene
von: Qin, Yangjun, 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)

Enhanced thermal conductance at interfaces between gold and amorphous silicon and amorphous silica
von: Hajj, Julien El, et al.
Veröffentlicht: (2024)

A moment tensor potential for lattice thermal conductivity calculations of alpha and beta phases of Ga2O3
von: Rybin, Nikita, et al.
Veröffentlicht: (2024)

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

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

PINK: physical-informed machine learning for lattice thermal conductivity
von: Liu, Yujie, et al.
Veröffentlicht: (2025)

The stable behavior of low thermal conductivity in 1T-sandwich structure with different components
von: Zhou, E, et al.
Veröffentlicht: (2022)

Unveiling the amorphous ice layer during premelting using AFM integrating machine learning
von: Tang, Binze, 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)

Machine-learning interatomic potential for AlN for epitaxial simulation
von: Taormina, Nicholas, et al.
Veröffentlicht: (2025)

Quantitative predictions of the thermal conductivity in transition metal dichalcogenides: The impact of point defects in MoS$_2$ and WS$_2$ monolayers
von: Mahendran, Srinivisan, et al.
Veröffentlicht: (2023)

Polymorphic crystallites model for monolayer amorphous materials
von: Zhu, Le-Ye, et al.
Veröffentlicht: (2026)

Machine-learned potential for amorphous Indium-Tin-Oxide alloys
von: Guo, Shuaiyang, et al.
Veröffentlicht: (2026)

Machine learning supported annealing for prediction of grand canonical crystal structures
von: Couzinie, Yannick, et al.
Veröffentlicht: (2024)

Accelerating material melting temperature predictions by implementing machine learning potentials in the SLUSCHI package
von: CampBell, Audrey, et al.
Veröffentlicht: (2024)

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

Iterative learning scheme for crystal structure prediction with anharmonic lattice dynamics
von: Gao, Hao, et al.
Veröffentlicht: (2025)

EAC-Net: Predicting real-space charge density via equivariant atomic contributions
von: Qin, Xuejian, et al.
Veröffentlicht: (2025)

Machine learning interatomic potential for predicting the thermal properties of uranium nitride
von: Chen, Beihan, et al.
Veröffentlicht: (2025)

Bayesian identification of fibrous insulation thermal conductivity towards design of spacecraft thermal protection systems
von: Alberts, Alex, et al.
Veröffentlicht: (2026)

An interpretable formula for lattice thermal conductivity of crystals
von: Wang, Xiaoying, et al.
Veröffentlicht: (2024)

Machine learning accelerated prediction of Ce-based ternary compounds involving antagonistic pairs
von: Xia, Weiyi, et al.
Veröffentlicht: (2024)

Exploring high thermal conductivity polymers via interpretable machine learning with physical descriptors
von: Huang, Xiang, et al.
Veröffentlicht: (2023)

Anomalous thermal conductivity in 2D silica nanocages of immobilizing noble gas atom
von: Wang, Yang, et al.
Veröffentlicht: (2024)

Machine learning interatomic potential can infer electrical response
von: Zhong, Peichen, et al.
Veröffentlicht: (2025)

Machine learning-enabled atomistic insights into phase boundary engineering of solid-solution ferroelectrics
von: Wen, Weiru, et al.
Veröffentlicht: (2025)

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

Phonon coherence and minimum thermal conductivity in disordered superlattice
von: Wu, Xin, et al.
Veröffentlicht: (2024)

Machine learning for predicting ultralow thermal conductivity and high ZT in complex thermoelectric materials
von: Hao, Yuzhou, et al.
Veröffentlicht: (2024)

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

Machine learning interatomic potential for the low-modulus Ti-Nb-Zr alloys in the vicinity of dynamical instability
von: Mukhamedov, Boburjon, et al.
Veröffentlicht: (2024)

mDCThermalC: A program for calculating thermal conductivity quickly and accurately
von: Fan, Tao, et al.
Veröffentlicht: (2019)

First-principles characterization of thermal conductivity in LaPO4-based alloys
von: Pazhedath, Anees, et al.
Veröffentlicht: (2023)

Strain-driven phonon topological phase transition impedes thermal transport in titanium monoxide
von: Jin, Xin, et al.
Veröffentlicht: (2023)

Tuning the thermal conductivity of Si membrane using nanopillars: from crystalline to amorphous pillars
von: Yang, Lina, et al.
Veröffentlicht: (2024)