Buchumschlag

Molecular Dynamics Simulations of Collision Cascades in Niobium: Comparing Interatomic Potentials

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Mondal, S., Bhardwaj, U., Majalee, A., Mishra, V., Warrier, M.
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

A Robust Machine Learned Interatomic Potential for Nb: Collision Cascade Simulations with accurate Defect Configurations
von: Bhardwaj, Utkarsh, et al.
Veröffentlicht: (2025)

Statistical Study of the Defect Cluster Morphology in the Primary Damage of Tungsten from Collision Cascades from Five Inter-atomic potentials
von: Warrier, M., et al.
Veröffentlicht: (2024)

Identifying Subcascades From The Primary Damage State Of Collision Cascades
von: Bhardwaj, Utkarsh, et al.
Veröffentlicht: (2023)

Stability of <100> Dislocations formed in W Collision Cascades
von: Bhardwaj, Utkarsh, et al.
Veröffentlicht: (2022)

Molecular dynamics simulations of the defect evolution in tungsten on successive collision cascades
von: Bhardwaj, Utkarsh, et al.
Veröffentlicht: (2024)

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

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

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

Uncertainty Quantification in Atomistic Simulations of Silicon using Interatomic Potentials
von: Best, I. R., et al.
Veröffentlicht: (2024)

Machine Learning Interatomic Potentials for Million-Atom Simulations of Multicomponent Alloys
von: Shuang, Fei, et al.
Veröffentlicht: (2026)

MLIP-MC: A Framework for Adsorption Simulations using Machine-Learned Interatomic Potentials
von: Edwards, Connor W., et al.
Veröffentlicht: (2026)

Developing a Neural Network Machine Learning Interatomic Potential for Molecular Dynamics Simulations of La-Si-P Systems
von: Tang, Ling, et al.
Veröffentlicht: (2025)

Unraveling Antagonistic Collision-Controlled Reactivity in Energetic Molecular Perovskites with Deep Potential Molecular Dynamics
von: Guo, Ming-Yu, et al.
Veröffentlicht: (2025)

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)

Deep Learning Interatomic Potential Connects Molecular Structural Ordering to Macroscale Properties of Polyacrylonitrile (PAN) Polymer
von: Chahal, Rajni, et al.
Veröffentlicht: (2024)

A Simple and Efficient Non-DFT-Based Machine Learning Interatomic Potential to Simulate Titanium MXenes
von: Thomazini, Luis F. V., et al.
Veröffentlicht: (2025)

Local Order Average-Atom Interatomic Potentials
von: Zeller, Chloe A., et al.
Veröffentlicht: (2025)

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

Hydrogen and Deuterium Tunneling in Niobium
von: Abogoda, Abdulaziz, et al.
Veröffentlicht: (2024)

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

Accurate and Efficient Interatomic Potentials for Dislocations in InP
von: Rocke, Thomas, et al.
Veröffentlicht: (2026)

Mixture of Experts Framework in Machine Learning Interatomic Potentials for Atomistic Simulations
von: Nascimento, Gabriel de Miranda, et al.
Veröffentlicht: (2026)

Modelling Silica using MACE-MP-0 Machine Learnt Interatomic Potentials
von: Nasir, Jamal Abdul, et al.
Veröffentlicht: (2024)

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)

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

Accounting for the Quantum Capacitance of Graphite in Constant Potential Molecular Dynamics Simulations
von: Goloviznina, Kateryna, et al.
Veröffentlicht: (2024)

Thermodynamic Integration for Dynamically Unstable Systems Using Interatomic Force Constants without Molecular Dynamics
von: Park, Junsoo, et al.
Veröffentlicht: (2024)

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

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

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

Discovering High-Entropy Oxides with a Machine-Learning Interatomic Potential
von: Sivak, Jacob T., et al.
Veröffentlicht: (2024)

Pattern Matching and Classification of Clusters in Collision Cascades
von: Bhardwaj, Utkarsh, et al.
Veröffentlicht: (2018)

Machine-Learned Interatomic Potentials for Predicting Physicochemical Properties of Molten Metal-Salt Systems for Calcium Electrolysis
von: Polovinkin, M., et al.
Veröffentlicht: (2026)

Equivariant Many-body Message Passing Interatomic Potentials for Magnetic Materials
von: Ho, Cheuk Hin, et al.
Veröffentlicht: (2026)

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

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

Physically Interpretable Interatomic Potentials via Symbolic Regression and Reinforcement Learning
von: Varughese, Bilvin, et al.
Veröffentlicht: (2025)

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

Evaluation of Foundational Machine Learned Interatomic Potentials for Migration Barrier Predictions
von: Bheemaguli, Achinthya Krishna, et al.
Veröffentlicht: (2025)