Buchumschlag

Screening 39 billion protostructures for materials discovery

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Parackal, Abhijith S, Trybel, Florian, Faber, Felix Andreas, Armiento, Rickard
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Materials Science
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Symmetry-restricted energy landscapes as a benchmark for machine learned interatomic potentials
von: Parackal, Abhijith S, et al.
Veröffentlicht: (2026)

Identifying Crystal Structures Beyond Known Prototypes from X-ray Powder Diffraction Spectra
von: Parackal, Abhijith S., et al.
Veröffentlicht: (2023)

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)

Na in Diamond: High Spin Defects Revealed by the ADAQ High-Throughput Computational Database
von: Davidsson, Joel, et al.
Veröffentlicht: (2023)

WyckoffDiff -- A Generative Diffusion Model for Crystal Symmetry
von: Kelvinius, Filip Ekström, et al.
Veröffentlicht: (2025)

High-Throughput Exploration of NV-like Color Centers Across Host Materials
von: Groppfeldt, Oscar, et al.
Veröffentlicht: (2025)

Predicting the Curie temperature in substitutionally disordered alloys using a first-principles based model
von: Brännvall, Marian Arale, et al.
Veröffentlicht: (2024)

Predicting the Curie temperature of magnetic materials with automated calculations across chemistries and structures
von: Brännvall, Marian Arale, et al.
Veröffentlicht: (2024)

High-Throughput Quantification of Altermagnetic Band Splitting
von: Sufyan, Ali, et al.
Veröffentlicht: (2025)

The Chlorine Vacancy in 4H-SiC: An NV-like Defect With Telecom Emission
von: Bulancea-Lindvall, Oscar, et al.
Veröffentlicht: (2023)

ADAQ-SYM: Automated Symmetry Analysis of Defect Orbitals
von: Stenlund, William, et al.
Veröffentlicht: (2023)

Theoretical characterization of NV-like defects in 4H-SiC using ADAQ with the SCAN and r2SCAN meta-GGA functionals
von: Abbas, Ghulam, et al.
Veröffentlicht: (2025)

Temperature dependence of the AB-lines and Optical Properties of the Carbon-Antisite Vacancy Pair in 4H-SiC
von: Bulancea-Lindvall, Oscar, et al.
Veröffentlicht: (2024)

Developments and applications of the OPTIMADE API for materials discovery, design, and data exchange
von: Evans, Matthew L., et al.
Veröffentlicht: (2024)

Incorporating quasiparticle and excitonic properties into material discovery
von: Biswas, Tathagata, et al.
Veröffentlicht: (2024)

Electronic structure and oxidation states in high-pressure synthesized isostructural CeCN$_5$ and TbCN$_5$
von: Ehn, Amanda, et al.
Veröffentlicht: (2026)

Data-driven active learning approaches for accelerating materials discovery
von: Chen, Jiaxin, et al.
Veröffentlicht: (2026)

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

Optical materials discovery and design with federated databases and machine learning
von: Trinquet, Victor, et al.
Veröffentlicht: (2024)

In-situ High Pressure Nuclear Magnetic Resonance Crystallography
von: Meier, Thomas, et al.
Veröffentlicht: (2021)

Computational discovery of cathode materials for rechargeable aqueous zinc-ion batteries
von: Miliante, Caio Miranda, et al.
Veröffentlicht: (2026)

Learning disentangled latent representations facilitates discovery and design of functional materials
von: Cha, Jaehoon, et al.
Veröffentlicht: (2025)

The carbon cost of materials discovery: Can machine learning really accelerate the discovery of new photovoltaics?
von: Walker, Matthew, et al.
Veröffentlicht: (2025)

Non-smooth optimization meets automated material model discovery
von: Flaschel, Moritz, et al.
Veröffentlicht: (2025)

S1-MatAgent: A planner driven multi-agent system for material discovery
von: Wang, Xinrui, et al.
Veröffentlicht: (2025)

Symmetry-guided data-driven discovery of native quantum defects in two-dimensional materials
von: Tsai, Jeng-Yuan, et al.
Veröffentlicht: (2024)

High-throughput computational screening of Heusler compounds with phonon considerations for enhanced material discovery
von: Xiao, Enda, et al.
Veröffentlicht: (2025)

A tomographic interpretation of structure-property relations for materials discovery
von: Ortega-Ochoa, Raul, et al.
Veröffentlicht: (2025)

Adaptive AI decision interface for autonomous electronic material discovery
von: Dai, Yahao, et al.
Veröffentlicht: (2025)

Unleashing the power of novel conditional generative approaches for new materials discovery
von: Novitskiy, Lev, et al.
Veröffentlicht: (2024)

Accelerating the discovery of high-performance nonlinear optical materials using active learning and high-throughput screening
von: Trinquet, Victor, et al.
Veröffentlicht: (2025)

Accelerating discovery of infrared nonlinear optical materials with large shift current via high-throughput screening
von: Yang, Aiqin, et al.
Veröffentlicht: (2025)

Controlled polymorphic competition -- a path to tough and hard ceramics
von: Sangiovanni, D. G., et al.
Veröffentlicht: (2024)

Material Fingerprinting: A shortcut to material model discovery without solving optimization problems
von: Flaschel, Moritz, et al.
Veröffentlicht: (2025)

Computational discovery of high-refractive-index van der Waals materials: The case of HfS$_2$
von: Zambrana-Puyalto, Xavier, et al.
Veröffentlicht: (2025)

Accelerated discovery of cost-effective photoabsorber materials for near-infrared (λ=1600 nm) photodetector applications
von: Zhao, Wayne, et al.
Veröffentlicht: (2025)

Predicting void nucleation in microstructure with convolutional neural networks
von: Anantharanga, Abhijith Thoopul, et al.
Veröffentlicht: (2025)

Model geometries of porous materials
von: Buchele, Felix, et al.
Veröffentlicht: (2024)

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

Linking Properties to Microstructure in Liquid Metal Embedded Elastomers via Machine Learning
von: Anantharanga, Abhijith Thoopul, et al.
Veröffentlicht: (2022)