Buchumschlag

Machine learning for structure-guided materials and process design

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Morand, Lukas, Iraki, Tarek, Dornheim, Johannes, Sandfeld, Stefan, Link, Norbert, Helm, Dirk
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Materials Science Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

A Generative Model for Accelerated Inverse Modelling Using a Novel Embedding for Continuous Variables
von: Bompas, Sébastien, et al.
Veröffentlicht: (2023)

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

Machine learning-based sampling of virtual experiments within the full stress state
von: Wessel, Alexander, et al.
Veröffentlicht: (2022)

Machine-learned models for magnetic materials
von: Leszczyński, Paweł, et al.
Veröffentlicht: (2023)

Self-Supervised Learning with Generative Adversarial Networks for Electron Microscopy
von: Kazimi, Bashir, et al.
Veröffentlicht: (2024)

Machine learning driven search of hydrogen storage materials
von: Banerjee, Tanumoy, et al.
Veröffentlicht: (2025)

Machine learning assisted screening of metal binary alloys for anode materials
von: Shi, Xingyue, et al.
Veröffentlicht: (2024)

Machine learning approach for vibronically renormalized electronic band structures
von: Aryal, Niraj, et al.
Veröffentlicht: (2024)

Machine learning-guided construction of an analytic kinetic energy functional for orbital free density functional theory
von: Manzhos, Sergei, et al.
Veröffentlicht: (2025)

AI-guided inverse design and discovery of recyclable vitrimeric polymers
von: Zheng, Yiwen, et al.
Veröffentlicht: (2023)

AI-driven materials design: a mini-review
von: Cheng, Mouyang, et al.
Veröffentlicht: (2025)

Interpretable machine learning-guided design of Fe-based soft magnetic alloys
von: Nachnani, Aditi, et al.
Veröffentlicht: (2025)

Machine-learning-enabled interpretation of tribological deformation patterns in large-scale MD data
von: Ehrich, Hendrik J., et al.
Veröffentlicht: (2025)

Learning material synthesis-process-structure-property relationship by data fusion: Bayesian Coregionalization N-Dimensional Piecewise Function Learning
von: Kusne, A. Gilad, et al.
Veröffentlicht: (2023)

Machine learning for structure-property relationships: Scalability and limitations
von: Tian, Zhongzheng, et al.
Veröffentlicht: (2023)

A practical guide to machine learning interatomic potentials -- Status and future
von: Jacobs, Ryan, et al.
Veröffentlicht: (2025)

Capturing thin-film microstructure contributions during ultrafast laser-metal interactions using atomistic simulations
von: Ganesan, Hariprasath, et al.
Veröffentlicht: (2024)

Delineating the interplay effects of microstructure topology and residual stresses in ultrafast laser irradiated thin films
von: Ganesan, Hariprasath, et al.
Veröffentlicht: (2026)

InvDesFlow-AL: active learning-based workflow for inverse design of functional materials
von: Han, Xiao-Qi, et al.
Veröffentlicht: (2025)

Accurate, transferable, and verifiable machine-learned interatomic potentials for layered materials
von: Georgaras, Johnathan D., et al.
Veröffentlicht: (2025)

Lessons from the trenches on evaluating machine-learning systems in materials science
von: Alampara, Nawaf, et al.
Veröffentlicht: (2025)

Beyond designer's knowledge: Generating materials design hypotheses via large language models
von: Liu, Quanliang, et al.
Veröffentlicht: (2024)

A chemical language model for reticular materials design
von: Menon, Dhruv, et al.
Veröffentlicht: (2026)

Reinforcement learning-guided optimization of critical current in high-temperature superconductors
von: Cheng, Mouyang, et al.
Veröffentlicht: (2025)

Unsupervised learning for structure detection in plastically deformed crystals
von: Barbot, Armand, et al.
Veröffentlicht: (2022)

Out-of-distribution materials property prediction using adversarial learning based fine-tuning
von: Li, Qinyang, et al.
Veröffentlicht: (2024)

Establishing Deep InfoMax as an effective self-supervised learning methodology in materials informatics
von: Moran, Michael, et al.
Veröffentlicht: (2024)

Discovery of sustainable energy materials via the machine-learned material space
von: Grunert, Malte, et al.
Veröffentlicht: (2025)

The carbon cost of materials discovery: Can machine learning really accelerate the discovery of new photovoltaics?
von: Walker, Matthew, et al.
Veröffentlicht: (2025)

Information fusion strategy integrating pre-trained language model and contrastive learning for materials knowledge mining
von: Peng, Yongqian, et al.
Veröffentlicht: (2025)

Composable and adaptive design of machine learning interatomic potentials guided by Fisher-information analysis
von: Wang, Weishi, et al.
Veröffentlicht: (2025)

Out-of-distribution generalization of deep-learning surrogates for 2D PDE-generated dynamics in the small-data regime
von: Nguyen, Binh Duong, et al.
Veröffentlicht: (2026)

Machine learning model for predicting surface wettability in laser-textured metal alloys
von: Sanandaji, Mohammad Mohammadzadeh, et al.
Veröffentlicht: (2026)

Machine learning enhanced atom probe tomography analysis: a snapshot review
von: Li, Yue, et al.
Veröffentlicht: (2025)

Optimal design of experiments in the context of machine-learning inter-atomic potentials: improving the efficiency and transferability of kernel based methods
von: Barzdajn, Bartosz, et al.
Veröffentlicht: (2024)

A generative machine learning model for designing metal hydrides applied to hydrogen storage
von: Liu, Xiyuan, et al.
Veröffentlicht: (2026)

AlphaCrystal-II: Distance matrix based crystal structure prediction using deep learning
von: Song, Yuqi, et al.
Veröffentlicht: (2024)

Statistical learning of structure-property relationships for transport in porous media, using hybrid AI modeling
von: Hosseinhashemi, Somayeh, et al.
Veröffentlicht: (2025)

Ontology-aligned structuring and reuse of multimodal materials data and workflows towards automatic reproduction
von: Ravari, Sepideh Baghaee, et al.
Veröffentlicht: (2026)

Machine learning frontier orbital energies of nanodiamonds
von: Kirschbaum, Thorren, et al.
Veröffentlicht: (2022)