Buchumschlag

Aluminum solidification and nanopolycrystal deformation via a Graph Neural Network Potential and Million-Atom Simulations

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Störmer, Ian, Zavadlav, Julija
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Computational Physics Materials Science
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Enhancing Machine Learning Potentials through Transfer Learning across Chemical Elements
von: Röcken, Sebastien, et al.
Veröffentlicht: (2025)

Refining Machine Learning Potentials through Thermodynamic Theory of Phase Transitions
von: Fuchs, Paul, et al.
Veröffentlicht: (2025)

Accurate machine learning force fields via experimental and simulation data fusion
von: Röcken, Sebastien, et al.
Veröffentlicht: (2023)

chemtrain: Learning Deep Potential Models via Automatic Differentiation and Statistical Physics
von: Fuchs, Paul, et al.
Veröffentlicht: (2024)

Mapping Still Matters: Coarse-Graining with Machine Learning Potentials
von: Görlich, Franz, et al.
Veröffentlicht: (2025)

Generalization of Long-Range Machine Learning Potentials in Complex Chemical Spaces
von: Sanocki, Michal, et al.
Veröffentlicht: (2025)

Learning Non-Local Molecular Interactions via Equivariant Local Representations and Charge Equilibration
von: Fuchs, Paul, et al.
Veröffentlicht: (2025)

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

Generator of Neural Network Potential for Molecular Dynamics: Constructing Robust and Accurate Potentials with Active Learning for Nanosecond-scale Simulations
von: Matsumura, Naoki, et al.
Veröffentlicht: (2024)

Enhanced Sampling for Efficient Learning of Coarse-Grained Machine Learning Potentials
von: Chen, Weilong, et al.
Veröffentlicht: (2025)

Accessing Numerical Energy Hessians with Graph Neural Network Potentials and Their Application in Heterogeneous Catalysis
von: Wander, Brook, et al.
Veröffentlicht: (2024)

Molecular Dynamics Simulations of SrTiO$_3$ with Oxygen Vacancies using Neural Network Potentials
von: Nishiguchi, Kazutaka, et al.
Veröffentlicht: (2025)

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

Graph Neural Network for Unified Electronic and Interatomic Potentials: Strain-tunable Electronic Structures in 2D Materials
von: Choi, Moon-ki, et al.
Veröffentlicht: (2025)

Large-Scale, Long-Time Atomistic Simulations of Proton Transport in Polymer Electrolyte Membranes Using a Neural Network Interatomic Potential
von: Yoshimoto, Yuta, et al.
Veröffentlicht: (2025)

Predicting solvation free energies with an implicit solvent machine learning potential
von: Röcken, Sebastien, et al.
Veröffentlicht: (2024)

Integrating Graph Neural Networks and Many-Body Expansion Theory for Potential Energy Surfaces
von: Chen, Siqi, et al.
Veröffentlicht: (2024)

The size effect on nucleation process during solidification of metals
von: Nuradinov, A. S., et al.
Veröffentlicht: (2025)

Equivariant Graph Neural Networks for Prediction of Tensor Material Properties of Crystals
von: Heilman, Alex, et al.
Veröffentlicht: (2024)

Phase-field model of alloy solidification far from chemical equilibrium at the solid-liquid interface
von: Ji, Kaihua, et al.
Veröffentlicht: (2024)

On-the-Fly Fine-Tuning of Foundational Neural Network Potentials: A Bayesian Neural Network Approach
von: Rensmeyer, Tim, et al.
Veröffentlicht: (2025)

CTGNN: Crystal Transformer Graph Neural Network for Crystal Material Property Prediction
von: Du, Zijian, et al.
Veröffentlicht: (2024)

Efficient Crystal Structure Prediction Using Universal Neural Network Potential with Diversity Preservation in Genetic Algorithms
von: Shibayama, Takuya, et al.
Veröffentlicht: (2025)

Investigating Material Interface Diffusion Phenomena through Graph Neural Networks in Applied Materials
von: Zhao, Zirui, et al.
Veröffentlicht: (2024)

chemtrain-deploy: A parallel and scalable framework for machine learning potentials in million-atom MD simulations
von: Fuchs, Paul, et al.
Veröffentlicht: (2025)

PINNs-MPF: A Physics-Informed Neural Network Framework for Multi-Phase-Field Simulation of Interface Dynamics
von: Elfetni, Seifallah, et al.
Veröffentlicht: (2024)

Self-supervised Representations and Node Embedding Graph Neural Networks for Accurate and Multi-scale Analysis of Materials
von: Kong, Jian-Gang, et al.
Veröffentlicht: (2022)

Resolving thermal gradients and solidification velocities during laser melting of a refractory alloy
von: Park, Hyunggon, et al.
Veröffentlicht: (2024)

Physics-Grounded Understanding of Thermal Boundary Conductance between Ga$_2$O$_3$ and SiC from a Feedforward Neural Network Potential
von: Liu, Nuohao, et al.
Veröffentlicht: (2026)

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

Aluminum oxide coatings on Co-rich cathodes and interactions with organic electrolyte
von: Peiris, M. D. Hashan C., et al.
Veröffentlicht: (2025)

Learning Potential Energy Surfaces of Hydrogen Atom Transfer Reactions in Peptides
von: Neubert, Marlen, et al.
Veröffentlicht: (2025)

Particle Trajectory Prediction in Discrete Element Simulations using a Graph-Based Interaction-Aware Model
von: Setty, Abhishek, et al.
Veröffentlicht: (2025)

Crystal Fractional Graph Neural Network for Energy Prediction of High-Entropy Alloys
von: Kotama, Takanori, et al.
Veröffentlicht: (2026)

Breaking the Precision Ceiling in Physics-Informed Neural Networks: A Hybrid Fourier-Neural Architecture for Ultra-High Accuracy
von: Lee, Wei Shan, et al.
Veröffentlicht: (2025)

Data-Efficient Construction of High-Fidelity Graph Deep Learning Interatomic Potentials
von: Ko, Tsz Wai, et al.
Veröffentlicht: (2024)

Machine-learned Interatomic Potential for Ti$_{n+1}$C$_n$ MXenes: Application to Ion Irradiation Simulations
von: Byggmästar, Jesper
Veröffentlicht: (2026)

Precipitate-Induced Dynamic Strain Aging and Its Effect on the Strain Rate Sensitivity of Precipitation Hardened Aluminum Alloys
von: Choukir, Sahar, et al.
Veröffentlicht: (2026)

Knowledge Distillation Framework for Accelerating High-Accuracy Neural Network-Based Molecular Dynamics Simulations
von: Matsumura, Naoki, et al.
Veröffentlicht: (2025)

Asymptotic Analysis of the Pauli Potential for Atoms
von: Redd, Jeremy J., et al.
Veröffentlicht: (2021)