:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Chuprov, Artem, Nuzhin, Egor E., Tsukanov, Alexey A., Brilliantov, Nikolay V.
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Materials Science Machine Learning
Online-Zugang:	https://arxiv.org/abs/2602.14867
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

An effective control of large systems of active particles: An application to evacuation problem
von: Klepach, Albina, et al.
Veröffentlicht: (2025)

Umbrella Reinforcement Learning -- computationally efficient tool for hard non-linear problems
von: Nuzhin, Egor E., et al.
Veröffentlicht: (2024)

Constructing accurate machine-learned potentials and performing highly efficient atomistic simulations to predict structural and thermal properties
von: Liu, Junlan, et al.
Veröffentlicht: (2024)

Predicting ionic conductivity in solids from the machine-learned potential energy landscape
von: Maevskiy, Artem, et al.
Veröffentlicht: (2024)

Neural operator accelerated atomistic to continuum concurrent multiscale simulations of viscoelasticity
von: Sohail, Tanvir, et al.
Veröffentlicht: (2026)

Model-free quantification of completeness, uncertainties, and outliers in atomistic machine learning using information theory
von: Schwalbe-Koda, Daniel, et al.
Veröffentlicht: (2024)

Atomistic mechanism of friction force independence on the normal load and other friction laws for dynamic structural superlubricity
von: Brilliantov, Nikolay V., et al.
Veröffentlicht: (2023)

How accurate are foundational machine learning interatomic potentials for heterogeneous catalysis?
von: Kempen, Luuk H. E., et al.
Veröffentlicht: (2025)

Optimal design of experiments in the context of machine-learning inter-atomic potentials: improving the efficiency and transferability of kernel based methods
von: Barzdajn, Bartosz, et al.
Veröffentlicht: (2024)

Model selection in atomistic simulation
von: Moussa, Jonathan E.
Veröffentlicht: (2023)

Advancing atomic electron tomography with neural networks
von: Lee, Juhyeok, et al.
Veröffentlicht: (2025)

Graph Neural Network Prediction of Nonlinear Optical Properties
von: Alkabakibi, Yomn, et al.
Veröffentlicht: (2025)

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

Thermodynamic assessment of machine learning models for solid-state synthesis prediction
von: Schlesinger, Jane, et al.
Veröffentlicht: (2026)

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

Machine learning enhanced atom probe tomography analysis: a snapshot review
von: Li, Yue, et al.
Veröffentlicht: (2025)

High-throughput validation of phase formability and simulation accuracy of Cantor alloys
von: Cheng, Changjun, et al.
Veröffentlicht: (2025)

Seamlessly joining length scales: From atomistic thermal graphs to anisotropic continuum conductivity
von: Ugwumadu, C., et al.
Veröffentlicht: (2026)

Generalized Bond Polarizability model for more accurate atomistic modeling of Raman spectra
von: Paul, Atanu, et al.
Veröffentlicht: (2025)

CbLDM: A Diffusion Model for recovering nanostructure from atomic pair distribution function
von: Cao, Jiarui, 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)

Global optimization in the discrete and variable-dimension conformational space: The case of crystal with the strongest atomic cohesion
von: Cheng, Guanjian, et al.
Veröffentlicht: (2023)

Orb: A Fast, Scalable Neural Network Potential
von: Neumann, Mark, et al.
Veröffentlicht: (2024)

Orb-v3: atomistic simulation at scale
von: Rhodes, Benjamin, et al.
Veröffentlicht: (2025)

Graph-neural-network predictions of solid-state NMR parameters from spherical tensor decomposition
von: Mahmoud, Chiheb Ben, et al.
Veröffentlicht: (2024)

Reward driven workflows for unsupervised explainable analysis of phases and ferroic variants from atomically resolved imaging data
von: Barakati, Kamyar, et al.
Veröffentlicht: (2024)

Graph convolutional network for predicting abnormal grain growth in Monte Carlo simulations of microstructural evolution
von: Cohn, Ryan, et al.
Veröffentlicht: (2021)

Double layer in ionic liquids: capacitance vs. temperature from atomistic simulations
von: Ers, Heigo, et al.
Veröffentlicht: (2022)

Benchmarking large language models for materials synthesis: the case of atomic layer deposition
von: Yanguas-Gil, Angel, et al.
Veröffentlicht: (2024)

Graph neural network framework for energy mapping of hybrid monte-carlo molecular dynamics simulations of Medium Entropy Alloys
von: Ehsan, Mashaekh Tausif, et al.
Veröffentlicht: (2024)

From structure mining to unsupervised exploration of atomic octahedral networks
von: Xian, R. Patrick, et al.
Veröffentlicht: (2023)

Investigation of filamentation in a-Si/Ag/Cu memristors with atomic force microscope
von: Samsonova, Alena, et al.
Veröffentlicht: (2026)

Towards an automated workflow in materials science for combining multi-modal simulative and experimental information using data mining and large language models
von: Katzer, Balduin, et al.
Veröffentlicht: (2025)

Surrogate models to optimize plasma assisted atomic layer deposition in high aspect ratio features
von: Yanguas-Gil, Angel, et al.
Veröffentlicht: (2025)

Towards predictive atomistic simulations of SiC crystal growth
von: Reichmann, Alexander, et al.
Veröffentlicht: (2025)

Exploring structure diversity in atomic resolution microscopy with graph neural networks
von: Luo, Zheng, et al.
Veröffentlicht: (2024)

Shotgun crystal structure prediction using machine-learned formation energies
von: Liu, Chang, et al.
Veröffentlicht: (2023)

Learning the action for long-time-step simulations of molecular dynamics
von: Bigi, Filippo, et al.
Veröffentlicht: (2025)

Polarizable atomic multipoles for learning long-range electrostatics
von: Kim, Dongjin, et al.
Veröffentlicht: (2026)

evoxels: A differentiable physics framework for voxel-based microstructure simulations
von: Daubner, Simon, et al.
Veröffentlicht: (2025)