Buchumschlag

FastTrack: a fast method to evaluate mass transport in solid leveraging universal machine learning interatomic potential

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Kang, Hanwen, Lu, Tenglong, Qi, Zhanbin, Guo, Jiandong, Meng, Sheng, Liu, Miao
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

FastTrack: GPU-Accelerated Tracking for Visual SLAM
von: Khabiri, Kimia, et al.
Veröffentlicht: (2025)

FastTracker: Real-Time and Accurate Visual Tracking
von: Hashempoor, Hamidreza, et al.
Veröffentlicht: (2025)

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)

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

Reweighting free energy profiles between universal machine learning interatomic potentials for fast consensus building
von: Majumdar, Sauradeep, et al.
Veröffentlicht: (2026)

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

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

Constructing and evaluating machine-learned interatomic potentials for Li-based disordered rocksalts
von: Choyal, Vijay, et al.
Veröffentlicht: (2023)

Fast machine learned $α$-Fe-H interatomic potential for hydrogen embrittlement
von: Makkonen, Eetu, et al.
Veröffentlicht: (2025)

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

Machine learning interatomic potentials for solid-state precipitation
von: Piersante, Lorenzo, et al.
Veröffentlicht: (2026)

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

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

GPTFF: A high-accuracy out-of-the-box universal AI force field for arbitrary inorganic materials
von: Xie, Fankai, et al.
Veröffentlicht: (2024)

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)

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

Fast and accurate Fe-H machine-learning interatomic potential for elucidating hydrogen embrittlement mechanisms
von: Ito, Kazuma
Veröffentlicht: (2025)

Fast and accurate machine-learned interatomic potentials for large-scale simulations of Cu, Al and Ni
von: Fellman, Aslak, et al.
Veröffentlicht: (2024)

Weberite Na$_2$MM'F$_7$ (M,M'=Redox-Active Metal) as Promising Fluoride-Based Sodium-Ion Battery Cathodes
von: Lu, Tenglong, et al.
Veröffentlicht: (2023)

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

Self-consistent Coulomb interactions for machine learning interatomic potentials
von: Thomas, Jack, et al.
Veröffentlicht: (2024)

Cartesian atomic cluster expansion for machine learning interatomic potentials
von: Cheng, Bingqing
Veröffentlicht: (2024)

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

Toward machine learning interatomic potentials for modeling uranium mononitride
von: Alzate-Vargas, Lorena, et al.
Veröffentlicht: (2024)

Benchmarking machine-learned interatomic potentials for molecular infrared spectroscopy
von: Bhatia, Nitik, et al.
Veröffentlicht: (2026)

Accelerating the prediction of inorganic surfaces with machine learning interatomic potentials
von: Noordhoek, Kyle, et al.
Veröffentlicht: (2023)

A practical guide to machine learning interatomic potentials -- Status and future
von: Jacobs, Ryan, et al.
Veröffentlicht: (2025)

Development of machine-learned interatomic potentials to predict structure, transport, and reactivity in platinum-based fuel cells
von: Fazel, Kamron, et al.
Veröffentlicht: (2025)

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

Accelerating melting temperature predictions by leveraging LASP machine learning potentials in the SLUSCHI package
von: Audrey CampBell, 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)

Exploring the energy landscape of aluminas through machine learning interatomic potential
von: Zhang, Lei, et al.
Veröffentlicht: (2024)

Interpolation and differentiation of alchemical degrees of freedom in machine learning interatomic potentials
von: Nam, Juno, et al.
Veröffentlicht: (2024)