Buchumschlag

Performance of universal machine learning potentials in global optimization

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Marcial, Edan T., Chaudhary, Laxman, Gorbunova, Olesya, Kolmogorov, Aleksey N.
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

Stability-superconductivity map for compressed Na-intercalated graphite
von: Mishra, Shashi B., et al.
Veröffentlicht: (2024)

Prospect of high-temperature superconductivity in layered metal borocarbides
von: Tomassetti, Charlsey R., et al.
Veröffentlicht: (2024)

Active Δ-learning with universal potentials for global structure optimization
von: Pitfield, Joe, et al.
Veröffentlicht: (2025)

Improving structure search with hyperspatial optimization and TETRIS seeding
von: Gochitashvili, Daviti, et al.
Veröffentlicht: (2025)

Machine learning search for stable binary Sn alloys with Na, Ca, Cu, Pd, and Ag
von: Thorn, Aidan, et al.
Veröffentlicht: (2023)

Systematic assessment of various universal machine-learning interatomic potentials
von: Yu, Haochen, et al.
Veröffentlicht: (2024)

Atomic-scale phase-field modeling with universal machine learning potentials
von: Masuda, Kairi, et al.
Veröffentlicht: (2025)

Cross-functional transferability in universal machine learning interatomic potentials
von: Huang, Xu, et al.
Veröffentlicht: (2025)

Fine-tuning universal machine learning potentials for transition state search in surface catalysis
von: Cheula, Raffaele, et al.
Veröffentlicht: (2026)

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

Comparing the latent features of universal machine-learning interatomic potentials
von: Chorna, Sofiia, et al.
Veröffentlicht: (2025)

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

Errors that matter: Uncertainty-aware universal machine-learning potentials calibrated on experiments
von: Kellner, Matthias, et al.
Veröffentlicht: (2026)

Environment-adaptive machine learning potentials
von: Nguyen, Ngoc Cuong, et al.
Veröffentlicht: (2024)

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)

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

Accelerating global search of adsorbate molecule position using machine-learning interatomic potentials with active learning
von: Klimanova, Olga, et al.
Veröffentlicht: (2024)

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

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

Atomistic modeling of uranium monocarbide with a machine learning interatomic potential
von: Alzate-Vargas, Lorena, et al.
Veröffentlicht: (2025)

Polynomial machine learning potential and its application to global structure search in the ternary Cu-Ag-Au alloy
von: Seko, Atsuto
Veröffentlicht: (2024)

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)

Benchmarking phonon anharmonicity in machine learning interatomic potentials
von: Bandi, Sasaank, et al.
Veröffentlicht: (2024)

Ultrahigh Poisson's ratio glasses
von: Lerner, Edan
Veröffentlicht: (2022)

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)

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

Ultra-fast interpretable machine-learning potentials
von: Xie, Stephen R., et al.
Veröffentlicht: (2021)

Improving robustness and training efficiency of machine-learned potentials by incorporating short-range empirical potentials
von: Yan, Zihan, et al.
Veröffentlicht: (2025)

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

Graph atomic cluster expansion for foundational machine learning interatomic potentials
von: Lysogorskiy, Yury, et al.
Veröffentlicht: (2025)

FastTrack: a fast method to evaluate mass transport in solid leveraging universal machine learning interatomic potential
von: Kang, Hanwen, et al.
Veröffentlicht: (2025)

Systematic global structure search of bismuth-based binary systems under pressure using machine learning potentials
von: Wakai, Hayato, et al.
Veröffentlicht: (2025)

Hydrogen diffusion in the lower mantle revealed by machine learning potentials
von: Peng, Yihang, et al.
Veröffentlicht: (2023)

A universal machine learning model for the electronic density of states
von: How, Wei Bin, et al.
Veröffentlicht: (2025)

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

Triplet Envelope Functions for increasing machine learning interatomic potential efficiency and stability
von: Annevelink, Emil, et al.
Veröffentlicht: (2026)

KLIFF: A framework to develop physics-based and machine learning interatomic potentials
von: Wen, Mingjian, et al.
Veröffentlicht: (2021)

Capturing short-range order in high-entropy alloys with machine learning potentials
von: Cao, Yifan, et al.
Veröffentlicht: (2024)

On-the-fly training of polynomial machine learning potentials in computing lattice thermal conductivity
von: Togo, Atsushi, et al.
Veröffentlicht: (2024)