Buchumschlag

Machine learning Hamiltonian enables scalable and accurate defect calculations: The case of oxygen vacancies in amorphous SiO$_2$

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Dai, Zhenxing, Yang, Zhong, Ni, Mingjue, Huang, Menglin, Xiang, Hongjun, Gong, Xin-Gao, Chen, Shiyou
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

Silicon Nanowire Gate‐All‐Around Cold Source MOSFET With Ultralow Power Dissipation: A Machine‐Learning‐Hamiltonian Accelerated Design
von: Kang Wang, et al.
Veröffentlicht: (2025)

"One defect, one potential" strategy for accurate machine learning prediction of defect phonons
von: Zhou, Junjie, et al.
Veröffentlicht: (2025)

Substitutional platinum as an efficient nonradiative recombination center in silicon
von: Dai, Zhenxing, et al.
Veröffentlicht: (2026)

Si/SiO$_\text{2}$ MOSFET Reliability Physics: From Four-State Model to All-State Model
von: Guo, Xinjing, et al.
Veröffentlicht: (2024)

Physics-Informed Long-Range Coulomb Correction for Machine-learning Hamiltonians
von: Zhong, Yang, et al.
Veröffentlicht: (2026)

Universal Machine Learning Kohn-Sham Hamiltonian for Materials
von: Zhong, Yang, et al.
Veröffentlicht: (2024)

Linear Scaling Calculation of Atomic Forces and Energies with Machine Learning Local Density Matrix
von: Xin, Zaizhou, et al.
Veröffentlicht: (2025)

A Universal Spin-Orbit-Coupled Hamiltonian Model for Accelerated Quantum Material Discovery
von: Zhong, Yang, et al.
Veröffentlicht: (2025)

Theoretical investigation of vacancy related defects at 4H-SiC(000$\bar{1}$)/SiO$_2$ interface after wet oxidation
von: Tsunasaki, Mukai, et al.
Veröffentlicht: (2022)

Defect Phonon Renormalization during Nonradiative Multiphonon Transitions in Semiconductors
von: Zhou, Junjie, et al.
Veröffentlicht: (2025)

Hydroxyl extinction coefficient of synthetic amorphous powder SiO 2
von: A. V. Fofanov, et al.
Veröffentlicht: (2025)

RASP: Reliability ab initio simulation package of MOSFETs based on all-state model
von: Guo, Xinjing, et al.
Veröffentlicht: (2026)

Intrinsic breakdown strength: theoretical derivation and first-principles calculations
von: Liu, Shixu, et al.
Veröffentlicht: (2024)

Carrier Emission and Capture Competition mediated A(n)BC Recombination Model in Semiconductors with Multi-Level Defects
von: Wang, Shanshan, et al.
Veröffentlicht: (2025)

Machine-learning structural reconstructions for accelerated point defect calculations
von: Mosquera-Lois, Irea, et al.
Veröffentlicht: (2024)

Symmetry Adapted Analysis of Screw Dislocation: Electronic Structure and Carrier Recombination Mechanisms in GaN
von: Xie, Yuncheng, et al.
Veröffentlicht: (2026)

Sampling-enabled scalable manifold learning unveils the discriminative cluster structure of high-dimensional data
von: Peng, Dehua, et al.
Veröffentlicht: (2024)

Attention Mechanism in Line Graph Neural Network for Material Property Prediction
von: Liulei Shao, et al.
Veröffentlicht: (2026)

Angle and time-resolved polarization change induced by Kerr effect in amorphous and crystalline SiO2
von: Pierrick, Lample, et al.
Veröffentlicht: (2025)

Redistribution of dopants between amorphous and crystalline phases in ZrO 2 –SiO 2 nanoceramics
von: Le Fu, et al.
Veröffentlicht: (2024)

Oxygen-vacancy quantum spin defects in silicon carbide
von: Chen, Yu, et al.
Veröffentlicht: (2025)

Inter-defect interactions, oxygen-vacancy distribution, and oxidation in acceptor-doped ABO3 perovskites
von: Putilov, L. P., et al.
Veröffentlicht: (2025)

Thermal‐driven oxygen vacancy (Von+) defect engineering in AlON powder for enhancing ceramic transparency
von: Xiaolan Zhou, et al.
Veröffentlicht: (2025)

Hierarchical geometric deep learning enables scalable analysis of molecular dynamics
von: Pengmei, Zihan, et al.
Veröffentlicht: (2025)

Active learning and explicit electrostatics enable accurate modeling of electrolytes
von: Chalykh, Olga, et al.
Veröffentlicht: (2025)

Machine learning determines the Mg2SiO4 P-T phase diagram
von: Zhou, Siyu, et al.
Veröffentlicht: (2026)

Efficient construction of effective Hamiltonians with a hybrid machine learning method
von: Cheng, Yang, et al.
Veröffentlicht: (2025)

Machine learning-enabled inverse design of bimaterial thermoelastic lattice metamaterials
von: Peng, Xiang-Long, et al.
Veröffentlicht: (2026)

Comparative structural study of Al 2 O 3 –SiO 2 glasses and amorphous thin films
von: Sirine Ben Khemis, et al.
Veröffentlicht: (2024)

Theory of optical spin polarization of axial divacancy and nitrogen-vacancy defects in 4H-SiC
von: Bian, Guodong, et al.
Veröffentlicht: (2024)

Quasispins of vacancy defects and their interactions in disordered antiferromagnets
von: Sedik, Muhammad, et al.
Veröffentlicht: (2024)

Unveiling defect motifs in amorphous GeSe using machine learning interatomic potentials
von: Moon, Minseok, et al.
Veröffentlicht: (2025)

Unveiling defect motifs in amorphous GeSe using machine learning interatomic potentials
von: Moon, Minseok, et al.
Veröffentlicht: (2025)

Impedance Inhomogeneity in SiO/Gr Composite Anode
von: Xiang Gao, et al.
Veröffentlicht: (2024)

Effects of amorphous phase and yttrium on flash sintering and microstructures of ZrO 2 –SiO 2 ceramic nanocomposites
von: Le Fu, et al.
Veröffentlicht: (2024)

Combining unsupervised and supervised learning in microscopy enables defect analysis of a full 4H-SiC wafer
von: Nguyen, Binh Duong, et al.
Veröffentlicht: (2024)

Accelerating point defect simulations using data-driven and machine learning approaches
von: Mannodi-Kanakkithodi, Arun, et al.
Veröffentlicht: (2026)

Accurate prediction of structural and mechanical properties on amorphous materials enabled through machine-learning potentials: a case study of silicon nitride
von: Nayak, Ganesh Kumar, et al.
Veröffentlicht: (2024)

Identifying Direct Bandgap Silicon Structures with High-throughput Search and Machine Learning Methods
von: Wang, Rui, et al.
Veröffentlicht: (2024)

Prior-Constrained Association Learning for Fine-Grained Generalized Category Discovery
von: Wang, Menglin, et al.
Veröffentlicht: (2025)