Buchumschlag

Diffusion-based Generative Machine Learning Model for Predicting Crack Propagation in Aluminum Nitride at the Atomic Scale

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Lu, Jiali, Yang, Shengfeng
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Materials Science Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

On Simulating Thin-Film Processes at the Atomic Scale Using Machine Learned Force Fields
von: Natarajan, S. Kondati, et al.
Veröffentlicht: (2025)

Explainable Machine Learning for Oxygen Diffusion in Perovskites and Pyrochlores
von: Lu, Grace M., et al.
Veröffentlicht: (2025)

Crack Path Prediction with Operator Learning using Discrete Particle System data Generation
von: Kiyani, Elham, et al.
Veröffentlicht: (2025)

Active Learning for Conditional Inverse Design with Crystal Generation and Foundation Atomic Models
von: Li, Zhuoyuan, et al.
Veröffentlicht: (2025)

Crystal Structure Prediction by Joint Equivariant Diffusion
von: Jiao, Rui, et al.
Veröffentlicht: (2023)

Equivariant Diffusion for Crystal Structure Prediction
von: Lin, Peijia, et al.
Veröffentlicht: (2025)

Unsupervised Atomic Data Mining via Multi-Kernel Graph Autoencoders for Machine Learning Force Fields
von: Sun, Hong, et al.
Veröffentlicht: (2025)

Machine-Learned Atomic Cluster Expansion Potentials for Fast and Quantum-Accurate Thermal Simulations of Wurtzite AlN
von: Yang, Guang, et al.
Veröffentlicht: (2023)

Accelerating Electron Dynamics Simulations through Machine Learned Time Propagators
von: Shah, Karan, et al.
Veröffentlicht: (2024)

Global Universal Scaling and Ultra-Small Parameterization in Machine Learning Interatomic Potentials with Super-Linearity
von: Hu, Yanxiao, et al.
Veröffentlicht: (2025)

Symmetry-Informed Graph Neural Networks for Carbon Dioxide Isotherm and Adsorption Prediction in Aluminum-Substituted Zeolites
von: Petković, Marko, et al.
Veröffentlicht: (2025)

Automated Machine Learning Pipeline: Large Language Models-Assisted Automated Dataset Generation for Training Machine-Learned Interatomic Potentials
von: Lahouari, Adam, et al.
Veröffentlicht: (2025)

Machine Learning Time Propagators for Time-Dependent Density Functional Theory Simulations
von: Shah, Karan, et al.
Veröffentlicht: (2025)

Thermodynamic Prediction Enabled by Automatic Dataset Building and Machine Learning
von: Liu, Juejing, et al.
Veröffentlicht: (2025)

Predicting and Accelerating Nanomaterials Synthesis Using Machine Learning Featurization
von: Price, Christopher C., et al.
Veröffentlicht: (2024)

Predicting Battery Capacity Fade Using Probabilistic Machine Learning Models With and Without Pre-Trained Priors
von: Kenney, Michael J., et al.
Veröffentlicht: (2024)

Accelerating CALPHAD-based Phase Diagram Predictions in Complex Alloys Using Universal Machine Learning Potentials: Opportunities and Challenges
von: Zhu, Siya, et al.
Veröffentlicht: (2024)

Universal Magnetic Structure Prediction from Atomic Coordinates with Near-Experimental Accuracy
von: Chotrattanapituk, Abhijatmedhi, et al.
Veröffentlicht: (2026)

Industrial-scale Prediction of Cement Clinker Phases using Machine Learning
von: Fayaz, Sheikh Junaid, et al.
Veröffentlicht: (2024)

CRYSIM: Prediction of Symmetric Structures of Large Crystals with GPU-based Ising Machines
von: Liang, Chen, et al.
Veröffentlicht: (2025)

P-DRUM: Post-hoc Descriptor-based Residual Uncertainty Modeling for Machine Learning Potentials
von: Huang, Shih-Peng, et al.
Veröffentlicht: (2025)

Predictive Inorganic Synthesis based on Machine Learning using Small Data sets: a case study of size-controlled Cu Nanoparticles
von: Motmans, Brent, et al.
Veröffentlicht: (2025)

Materials Learning Algorithms (MALA): Scalable Machine Learning for Electronic Structure Calculations in Large-Scale Atomistic Simulations
von: Cangi, Attila, et al.
Veröffentlicht: (2024)

OXtal: An All-Atom Diffusion Model for Organic Crystal Structure Prediction
von: Jin, Emily, et al.
Veröffentlicht: (2025)

Physically Consistent Machine Learning for Melting Temperature Prediction of Refractory High-Entropy Alloys
von: Hasnain, Mohd
Veröffentlicht: (2026)

Bridging Theory and Experiment in Materials Discovery: Machine-Learning-Assisted Prediction of Synthesizable Structures
von: Xin, Yu, et al.
Veröffentlicht: (2025)

Topology-Informed Machine Learning for Efficient Prediction of Solid Oxide Fuel Cell Electrode Polarization
von: Szemer, Maksym, et al.
Veröffentlicht: (2024)

A Comparative Study of Machine Learning Models Predicting Energetics of Interacting Defects
von: Yu, Hao
Veröffentlicht: (2024)

BOOM: Benchmarking Out-Of-distribution Molecular Property Predictions of Machine Learning Models
von: Antoniuk, Evan R., et al.
Veröffentlicht: (2025)

SymmCD: Symmetry-Preserving Crystal Generation with Diffusion Models
von: Levy, Daniel, et al.
Veröffentlicht: (2025)

Agentic Fusion of Large Atomic and Language Models to Accelerate Superconductor Discovery
von: Li, Mingze, et al.
Veröffentlicht: (2026)

polyGen: A Learning Framework for Atomic-level Polymer Structure Generation
von: Jain, Ayush, et al.
Veröffentlicht: (2025)

Unified Cross-Scale 3D Generation and Understanding via Autoregressive Modeling
von: Lu, Shuqi, et al.
Veröffentlicht: (2025)

Machine Learning-Driven Crystal System Prediction for Perovskites Using Augmented X-ray Diffraction Data
von: Mathew, Ansu, et al.
Veröffentlicht: (2026)

Uncertainty-Aware Machine-Learning Framework for Predicting Dislocation Plasticity and Stress-Strain Response in FCC Alloys
von: Luo, Jing, et al.
Veröffentlicht: (2025)

Why Physics Still Matters: Improving Machine Learning Prediction of Material Properties with Phonon-Informed Datasets
von: Benítez, Pol, et al.
Veröffentlicht: (2025)

Periodic Materials Generation using Text-Guided Joint Diffusion Model
von: Das, Kishalay, et al.
Veröffentlicht: (2025)

Generative Inverse Design of Crystal Structures via Diffusion Models with Transformers
von: Takahara, Izumi, et al.
Veröffentlicht: (2024)

Enhancing Corrosion Resistance of Aluminum Alloys Through AI and ML Modeling
von: Kaboudvand, Farnaz, et al.
Veröffentlicht: (2025)

A Data-Driven Machine Learning Approach for Predicting Axial Load Capacity in Steel Storage Rack Columns
von: Mammadli, Bakhtiyar, et al.
Veröffentlicht: (2025)