Buchumschlag

Synthesizability, hardness, and stacking order in multicomponent transition metal carbides from machine-learned potentials

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Liu, Xin, Natarajan, Anirudh Raju
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

Constructing multicomponent cluster expansions with machine-learning and chemical embedding
von: Müller, Yann L., et al.
Veröffentlicht: (2024)

Machine learning interatomic potentials for solid-state precipitation
von: Piersante, Lorenzo, et al.
Veröffentlicht: (2026)

Diffusion coefficients of multi-principal element alloys from first principles
von: Lee, Damien K. J., et al.
Veröffentlicht: (2026)

Modeling the Equilibrium Vacancy Concentration in Multi-Principal Element Alloys from First-Principles
von: Lee, Damien K. J., et al.
Veröffentlicht: (2025)

Perspective on descriptors of mechanical behavior of cubic transition-metal carbides and nitrides
von: Kindlund, Hanna, et al.
Veröffentlicht: (2024)

Ab initio Monte Carlo prediction of order-to-disorder transitions in multicomponent MXenes
von: Oyeniran, Noah, et al.
Veröffentlicht: (2026)

Thermodynamic and electronic properties of rutile Sn$_{1-x}$Ge$_x$O$_2$ alloys from first principles
von: Müller, Yann L., et al.
Veröffentlicht: (2026)

General-purpose machine-learned potential for 16 elemental metals and their alloys
von: Song, Keke, et al.
Veröffentlicht: (2023)

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

Thermal boundary conductance of metal diamond interfaces predicted by machine learning interatomic potentials
von: Adnan, Khalid Zobaid, et al.
Veröffentlicht: (2024)

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

Cluster-based machine learning potentials to describe disordered metal-organic frameworks up to the mesoscale
von: Dobbelaere, Pieter, et al.
Veröffentlicht: (2025)

Classification analysis of transition-metal chalcogenides and oxides using quantum machine learning
von: Vedavyasa, Kurudi V, et al.
Veröffentlicht: (2024)

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

Accelerating the prediction of stacking fault energy by combining ab initio calculations and machine learning
von: Linda, Albert, et al.
Veröffentlicht: (2024)

Combining Brillouin spectroscopy and machine learned interatomic potentials to probe mechanical properties of metal organic frameworks
von: Lindner, Florian P., et al.
Veröffentlicht: (2024)

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

Quasi-free-standing AA-stacked bilayer graphene induced by calcium intercalation of the graphene-silicon carbide interface
von: Grubišić-Čabo, Antonija, et al.
Veröffentlicht: (2023)

Observation of dendrite formation at Li metal-electrolyte interface: A machine-learning enhanced constant potential framework
von: Hu, Taiping, et al.
Veröffentlicht: (2024)

Narrow magneto-optical transitions in Erbium implanted silicon carbide-on-insulator
von: Lyasota, Alexey, et al.
Veröffentlicht: (2025)

Low-energy nine-layer rhombohedral stacking of transition metal dichalcogenides
von: Karkee, Rijan, et al.
Veröffentlicht: (2024)

Universal machine learning interatomic potentials poised to supplant DFT in modeling general defects in metals and random alloys
von: Shuang, Fei, et al.
Veröffentlicht: (2025)

Composition dependence of the critical Rayleigh number curve for macrosegregation in multicomponent metal alloys
von: Houghton, Owain S., et al.
Veröffentlicht: (2026)

Performance of universal machine learning potentials in global optimization
von: Marcial, Edan T., et al.
Veröffentlicht: (2026)

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)

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

SynCoTrain: A Dual Classifier PU-learning Framework for Synthesizability Prediction
von: Amariamir, Sasan, et al.
Veröffentlicht: (2024)

A Synthesizability-Guided Pipeline for Materials Discovery
von: Prein, Thorben, et al.
Veröffentlicht: (2025)

Composition based machine learning to predict phases & strength of refractory high entropy alloys
von: Iyengar, M. Sreenidhi, et al.
Veröffentlicht: (2025)

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

Efficient small-cell sampling for machine-learning potentials of multi-principal element alloys
von: Liu, Yan, et al.
Veröffentlicht: (2025)

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

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

Melting phase relation of seifertite and pyrite-type SiO2 determined by machine learning potentials
von: Park, Doyoon, et al.
Veröffentlicht: (2025)

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

Interpretable machine learned predictions of adsorption energies at the metal--oxide interface
von: Nielsen, Marius Juul, et al.
Veröffentlicht: (2025)

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

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