Buchumschlag

An Artificial Intelligence (AI) workflow for catalyst design and optimization

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Lai, Nung Siong, Tew, Yi Shen, Zhong, Xialin, Yin, Jun, Li, Jiali, Yan, Binhang, Wang, Xiaonan
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Chemical Physics Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Diagnosing and fixing common problems in Bayesian optimization for molecule design
von: Tripp, Austin, et al.
Veröffentlicht: (2024)

Artificial Intelligence Driven Workflow for Accelerating Design of Novel Photosensitizers
von: Wang, Hongyi, et al.
Veröffentlicht: (2025)

Artificial Intelligence for Direct Prediction of Molecular Dynamics Across Chemical Space
von: Ge, Fuchun, et al.
Veröffentlicht: (2025)

Generative Artificial Intelligence for Navigating Synthesizable Chemical Space
von: Gao, Wenhao, et al.
Veröffentlicht: (2024)

AUGUR, A flexible and efficient optimization algorithm for identification of optimal adsorption sites
von: Kouroudis, Ioannis, et al.
Veröffentlicht: (2024)

Interpretable Machine Learning for Quantum-Informed Property Predictions in Artificial Sensing Materials
von: Chen, Li, et al.
Veröffentlicht: (2026)

Data-driven approach to the design of complexing agents for trivalent transuranium elements
von: Karpov, Kirill V., et al.
Veröffentlicht: (2025)

Transferable FB-GNN-MBE Framework for Potential Energy Surfaces: Data-Adaptive Transfer Learning in Deep Learned Many-Body Expansion Theory
von: Chen, Siqi, et al.
Veröffentlicht: (2026)

Ensemble Learning of Machine Learning Force Fields
von: Yin, Bangchen, et al.
Veröffentlicht: (2024)

Multi-objective fluorescent molecule design with a data-physics dual-driven generative framework
von: Li, Yanheng, et al.
Veröffentlicht: (2026)

Breaking scaling relations with inverse catalysts: a machine learning exploration of trends in $\mathrm{CO_2}$ hydrogenation energy barriers
von: Kempen, Luuk H. E., et al.
Veröffentlicht: (2025)

A Universal Deep Learning Force Field for Molecular Dynamic Simulation and Vibrational Spectra Prediction
von: Ji, Shengjiao, et al.
Veröffentlicht: (2025)

GraphXForm: Graph transformer for computer-aided molecular design
von: Pirnay, Jonathan, et al.
Veröffentlicht: (2024)

BioScore: A Foundational Scoring Function For Diverse Biomolecular Complexes
von: Zhu, Yuchen, et al.
Veröffentlicht: (2025)

From 2015 to 2023: How Machine Learning Aids Natural Product Analysis
von: Shi, Suwen, et al.
Veröffentlicht: (2024)

Perovskite-R1: a domain-specialized large language model for intelligent discovery of precursor additives and experimental design
von: Wang, Xin-De, et al.
Veröffentlicht: (2025)

Constructing accurate machine-learned potentials and performing highly efficient atomistic simulations to predict structural and thermal properties
von: Liu, Junlan, et al.
Veröffentlicht: (2024)

A 3D pocket-aware and evolutionary conserved interaction guided diffusion model for molecular optimization
von: Qiao, Anjie, et al.
Veröffentlicht: (2025)

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

A Machine Learning and Explainable AI Framework Tailored for Unbalanced Experimental Catalyst Discovery
von: Semnani, Parastoo, et al.
Veröffentlicht: (2024)

onepot CORE -- an enumerated chemical space to streamline drug discovery, enabled by automated small molecule synthesis and AI
von: Tyrin, Andrei S., et al.
Veröffentlicht: (2026)

Aitomia: Your Intelligent Assistant for AI-Driven Atomistic and Quantum Chemical Simulations
von: Hu, Jinming, et al.
Veröffentlicht: (2025)

Pushing the Limits of All-Atom Geometric Graph Neural Networks: Pre-Training, Scaling and Zero-Shot Transfer
von: Pengmei, Zihan, et al.
Veröffentlicht: (2024)

End-to-End Crystal Structure Prediction from Powder X-Ray Diffraction
von: Lai, Qingsi, et al.
Veröffentlicht: (2024)

Riemannian Denoising Model for Molecular Structure Optimization with Chemical Accuracy
von: Woo, Jeheon, et al.
Veröffentlicht: (2024)

Motional representation; the ability to predict odor characters using molecular vibrations
von: Harada, Yuki, et al.
Veröffentlicht: (2025)

Advancing Carbon Capture using AI: Design of permeable membrane and estimation of parameters for Carbon Capture using linear regression and membrane-based equations
von: Panerua, Bishwash, et al.
Veröffentlicht: (2025)

Energy-Guided Generative Modeling for Low-Energy Molecular Structure Discovery
von: Xu, Guikun, et al.
Veröffentlicht: (2025)

Intelligent Chemical Purification Technique Based on Machine Learning
von: Wu, Wenchao, et al.
Veröffentlicht: (2024)

Physics-informed neural networks need a physicist to be accurate: the case of mass and heat transport in Fischer-Tropsch catalyst particles
von: Nikolaienko, Tymofii, et al.
Veröffentlicht: (2024)

A Kaczmarz-inspired approach to accelerate the optimization of neural network wavefunctions
von: Goldshlager, Gil, et al.
Veröffentlicht: (2024)

EquiBoost: An Equivariant Boosting Approach to Molecular Conformation Generation
von: Yang, Yixuan, et al.
Veröffentlicht: (2025)

Guided Multi-objective Generative AI to Enhance Structure-based Drug Design
von: Kadan, Amit, et al.
Veröffentlicht: (2024)

Pre-trained knowledge elevates large language models beyond traditional chemical reaction optimizers
von: MacKnight, Robert, et al.
Veröffentlicht: (2025)

EquiFlow: Equivariant Conditional Flow Matching with Optimal Transport for 3D Molecular Conformation Prediction
von: Tian, Qingwen, et al.
Veröffentlicht: (2024)

Enabling ab initio geometry optimization of strongly correlated systems with transferable deep quantum Monte Carlo
von: Szabó, P. Bernát, et al.
Veröffentlicht: (2026)

Physical Consistency Bridges Heterogeneous Data in Molecular Multi-Task Learning
von: Ren, Yuxuan, et al.
Veröffentlicht: (2024)

Data-Driven Parametrization of Molecular Mechanics Force Fields for Expansive Chemical Space Coverage
von: Zheng, Tianze, et al.
Veröffentlicht: (2024)

Inverse Design of Inorganic Compounds with Generative AI
von: Kneiding, Hannes, et al.
Veröffentlicht: (2026)

An Explainable AI Model for Binary LJ Fluids
von: Hashmi, Israrul H, et al.
Veröffentlicht: (2025)