Buchumschlag

Machine Learning Interatomic Potential for Alumina

Fuente: Zenodo

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Galib, Musanna
Format:	Recurso digital
Veröffentlicht:	Zenodo 2025
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

AtomProNet: Data flow to and from machine learning interatomic potentials in materials science
von: Galib, Musanna, et al.
Veröffentlicht: (2025)

Dendrite Suppression in Zn Batteries Through Hetero-Epitaxial Residual Stresses Shield
von: Galib, Musanna, et al.
Veröffentlicht: (2025)

Residual Stress Development in Lattice Mismatched Epitaxial Thin Films via Atomic and Molecular Layer Depositions
von: Galib, Musanna, et al.
Veröffentlicht: (2024)

Spall failure of alumina at high-strain rates using femtosecond laser experiments and high-fidelity molecular dynamics simulations
von: Isiet, Mewael, et al.
Veröffentlicht: (2025)

Machine Learning Interatomic Potentials with Keras API
von: Rili, James Paolo
Veröffentlicht: (2024)

Machine Learning Interatomic Potentials for Heterogeneous Catalysis
von: Deqi Tang, et al.
Veröffentlicht: (2024)

Ensemble Knowledge Distillation for Machine Learning Interatomic Potentials
von: Matin, Sakib, et al.
Veröffentlicht: (2025)

Uncertainty Quantification for Misspecified Machine Learned Interatomic Potentials
von: Perez, Danny, et al.
Veröffentlicht: (2025)

Flexible Uncertainty Calibration for Machine-Learned Interatomic Potentials
von: Ho, Cheuk Hin, et al.
Veröffentlicht: (2025)

Machine-Learning Interatomic Potentials for Long-Range Systems
von: Ji, Yajie, et al.
Veröffentlicht: (2025)

Machine Learning Interatomic Potential‐Enabled Discovery of Chlorofullerenes
von: Zi‐Yang Qiu, et al.
Veröffentlicht: (2025)

Classical and Machine Learning Interatomic Potentials for BCC Vanadium
von: Wang, Rui, et al.
Veröffentlicht: (2022)

Universal Machine Learning Interatomic Potentials are Ready for Phonons
von: Loew, Antoine, et al.
Veröffentlicht: (2024)

Smooth Dynamic Cutoffs for Machine Learning Interatomic Potentials
von: Han, Kevin, et al.
Veröffentlicht: (2026)

Importance of Electronic Entropy for Machine Learning Interatomic Potentials
von: Petersen, Martin Hoffmann, et al.
Veröffentlicht: (2026)

Benchmarking Compositional Generalisation for Machine Learning Interatomic Potentials
von: Nourollah, Amir Masoud, et al.
Veröffentlicht: (2026)

Scaling Machine Learning Interatomic Potentials with Mixtures of Experts
von: Liu, Yuzhi, et al.
Veröffentlicht: (2026)

Adaptive Loss Weighting for Machine Learning Interatomic Potentials
von: Ocampo, Daniel, et al.
Veröffentlicht: (2024)

A "Magnetic" Machine Learning Interatomic Potential for Nickel
von: Gong, Xiaoguo, et al.
Veröffentlicht: (2023)

Extrapolation of Machine-Learning Interatomic Potentials for Organic and Polymeric Systems
von: Hooven, Natalie E., et al.
Veröffentlicht: (2025)

Benchmarking Universal Machine Learning Interatomic Potentials on Elemental Systems
von: Tahmasbi, Hossein, et al.
Veröffentlicht: (2025)

Energy Underprediction from Symmetry in Machine-Learning Interatomic Potentials
von: Nong, Wei, et al.
Veröffentlicht: (2025)

MLIPAudit: A benchmarking tool for Machine Learned Interatomic Potentials
von: Wehrhan, Leon, et al.
Veröffentlicht: (2025)

Equivariant Machine Learning Interatomic Potentials with Global Charge Redistribution
von: Maruf, Moin Uddin, et al.
Veröffentlicht: (2025)

Resolving the Body-Order Paradox of Machine Learning Interatomic Potentials
von: Chong, Sanggyu, et al.
Veröffentlicht: (2025)

PFT: Phonon Fine-tuning for Machine Learned Interatomic Potentials
von: Koker, Teddy, et al.
Veröffentlicht: (2026)

False Metallization in Short-Ranged Machine Learned Interatomic Potentials
von: Parker, Isaac J., et al.
Veröffentlicht: (2026)

Validation Workflow for Machine Learning Interatomic Potentials for Complex Ceramics
von: Ghaffari, Kimia, et al.
Veröffentlicht: (2024)

Comparing the Latent Features of Universal Machine‐Learning Interatomic Potentials
von: Sofiia Chorna, et al.
Veröffentlicht: (2026)

Phosphorus-based lubricant additives on iron with Machine Learning Interatomic Potentials
von: Restuccia, Paolo, et al.
Veröffentlicht: (2025)

Tensor Decomposition Networks for Fast Machine Learning Interatomic Potential Computations
von: Lin, Yuchao, et al.
Veröffentlicht: (2025)

Augmenting Molecular Graphs with Geometries via Machine Learning Interatomic Potentials
von: Fu, Cong, et al.
Veröffentlicht: (2025)

Optimizing Cross-Domain Transfer for Universal Machine Learning Interatomic Potentials
von: Kim, Jaesun, et al.
Veröffentlicht: (2025)

Benchmarking Universal Machine Learning Interatomic Potentials for Elastic Property Prediction
von: Gao, Pengfei, et al.
Veröffentlicht: (2025)

Universal Machine Learning Interatomic Potentials are Ready for Solid Ion Conductors
von: Du, Hongwei, et al.
Veröffentlicht: (2025)

Evaluation of Foundational Machine Learned Interatomic Potentials for Migration Barrier Predictions
von: Bheemaguli, Achinthya Krishna, et al.
Veröffentlicht: (2025)

Screening of Material Defects using Universal Machine‐Learning Interatomic Potentials
von: Ethan Berger, et al.
Veröffentlicht: (2025)

Hydrogen under Pressure as a Benchmark for Machine-Learning Interatomic Potentials
von: Bischoff, Thomas, et al.
Veröffentlicht: (2024)

Improving Reliability of Machine Learned Interatomic Potentials With Physics-Informed Pretraining
von: Zheng, Qianyu, et al.
Veröffentlicht: (2026)

Discovering High-Entropy Oxides with a Machine-Learning Interatomic Potential
von: Sivak, Jacob T., et al.
Veröffentlicht: (2024)