Buchumschlag

Predicting challenging phase transitions with Bayesian active learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Bastonero, Lorenzo, Joalland, Gabriel, Cignarella, Chiara, Monacelli, Lorenzo, Marzari, Nicola
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Materials Science Disordered Systems and Neural Networks Computational Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Extreme anharmonicity and thermal contraction of 1D wires
von: Cignarella, Chiara, et al.
Veröffentlicht: (2025)

Equivariant graph neural network interatomic potential for Green-Kubo thermal conductivity in phase change materials
von: Lee, Sung-Ho, et al.
Veröffentlicht: (2023)

Efficiently charting the space of mixed vacancy-ordered perovskites by machine-learning encoded atomic-site information
von: Zhang, Fan, et al.
Veröffentlicht: (2025)

Coercivity influence of nanostructure in SmCo-1:7 magnets: Machine learning of high-throughput micromagnetic data
von: Yang, Yangyiwei, et al.
Veröffentlicht: (2024)

Performance Assessment of Universal Machine Learning Interatomic Potentials: Challenges and Directions for Materials' Surfaces
von: Focassio, Bruno, et al.
Veröffentlicht: (2024)

Physics-integrated Neural Network for Quantum Transport Prediction of Field-effect Transistor
von: Zhang, Xiuying, et al.
Veröffentlicht: (2024)

Statistical mechanics for organic mixed conductors: phase transitions in a lattice gas
von: Bongartz, Lukas M.
Veröffentlicht: (2025)

Hydrogen liquid-liquid transition from first principles and machine learning
von: Tenti, Giacomo, et al.
Veröffentlicht: (2025)

On phase separation and crystallization of Ge-rich GeSbTe alloys from atomistic simulations with a machine learning interatomic potential
von: Kheir, Omar Abou El, et al.
Veröffentlicht: (2026)

Can MACE Potentials Accurately Describe Magnetism and Phase Stability in Fe-Ni Alloys? A Systematic Benchmark
von: Ramakrishna, Kushal, et al.
Veröffentlicht: (2026)

Scalable Training of Neural Network Potentials for Complex Interfaces Through Data Augmentation
von: Yeu, In Won, et al.
Veröffentlicht: (2024)

AiiDA-TrainsPot: Towards automated training of neural-network interatomic potentials
von: Bidoggia, Davide, et al.
Veröffentlicht: (2025)

Learning Atoms from Crystal Structure
von: Vasylenko, Andrij, et al.
Veröffentlicht: (2024)

Deep-Learning-Empowered Programmable Topolectrical Circuits
von: Jia, Hao, et al.
Veröffentlicht: (2025)

Microscopic Observation of Non-Ergodic States in Two-Dimensional Non-Topological Bubble Lattices
von: Pylypenko, S., et al.
Veröffentlicht: (2025)

Revealing Nanostructures in High-Entropy Alloys via Machine-Learning Accelerated Scalable Monte Carlo Simulation
von: Liu, Xianglin, et al.
Veröffentlicht: (2025)

AFLOW4: heading toward disorder
von: Divilov, Simon, et al.
Veröffentlicht: (2025)

Efficient GPU-Accelerated Training of a Neuroevolution Potential with Analytical Gradients
von: Huang, Hongfu, et al.
Veröffentlicht: (2025)

Modeling phase separation in polymer-derived silicon carbonitride ceramics through extended machine learning molecular dynamics
von: Mortier, Fabien, et al.
Veröffentlicht: (2026)

Electronic Structure Prediction of Multi-million Atom Systems Through Uncertainty Quantification Enabled Transfer Learning
von: Pathrudkar, Shashank, et al.
Veröffentlicht: (2023)

Thermal transport of amorphous hafnia across the glass transition
von: Zeng, Zezhu, et al.
Veröffentlicht: (2025)

Rapid Discovery of Graphene Nanocrystals Using DFT and Bayesian Optimization with Neural Network Kernel
von: Özönder, Şener, et al.
Veröffentlicht: (2022)

Towards a Unified Benchmark and Framework for Deep Learning-Based Prediction of Nuclear Magnetic Resonance Chemical Shifts
von: Xu, Fanjie, et al.
Veröffentlicht: (2024)

Fracture toughness and auxeticity in disordered metamaterials
von: Holey, Hannes, et al.
Veröffentlicht: (2025)

Influence of the Anderson transition on thermoelectric energy conversion in disordered electronic systems
von: Khomchenko, I., et al.
Veröffentlicht: (2023)

Orbital-interaction-aware deep learning model for efficient surface chemistry simulations
von: Zhang, Zhihao, et al.
Veröffentlicht: (2025)

Bayesian exploration of the composition space of CuZrAl metallic glasses for mechanical properties
von: Mäkinen, Tero, et al.
Veröffentlicht: (2024)

Machine learning the local electronic density of states
von: Aryanpour, A., et al.
Veröffentlicht: (2025)

Elastic properties of fluid mercury across the metal-nonmetal transition: Ab initio simulation study
von: Bryk, T., et al.
Veröffentlicht: (2025)

RAFFLE: Active learning accelerated interface structure prediction
von: Taylor, Ned Thaddeus, et al.
Veröffentlicht: (2025)

Diffusion of light in structurally anisotropic media with uniaxial symmetry
von: Pini, Ernesto, et al.
Veröffentlicht: (2024)

Amorphization-induced topological and insulator-metal transitions in bidimensional Bi$_x$Sb$_{1-x}$ alloys
von: Uría-Álvarez, A. J., et al.
Veröffentlicht: (2024)

Thermal transport of glasses via machine learning driven simulations
von: Pegolo, Paolo, et al.
Veröffentlicht: (2024)

Many-body localization in a quantum Ising model with the long-range interaction: Accurate determination of the transition point
von: Lukin, Illia, et al.
Veröffentlicht: (2025)

Physics-informed operator learning for transferable energy-dissipative microstructure dynamics
von: Xiong, Jie, et al.
Veröffentlicht: (2026)

Machine learning intermolecular transfer integrals with compact atomic cluster representations
von: Keeratikarn, Keerati, et al.
Veröffentlicht: (2025)

Machine learning potential as a guide for eutectic in ultra-refractory multicomponent ceramics
von: Valiulin, V. E., et al.
Veröffentlicht: (2026)

Constructing and evaluating machine-learned interatomic potentials for Li-based disordered rocksalts
von: Choyal, Vijay, et al.
Veröffentlicht: (2023)

Experimental determination of effective light transport properties in fully anisotropic media
von: Pini, Ernesto, et al.
Veröffentlicht: (2024)

Efficient training of machine learning potentials for metallic glasses: CuZrAl validation
von: Wadowski, Antoni, et al.
Veröffentlicht: (2024)