Buchumschlag

Probabilistic Prediction of Material Stability: Integrating Convex Hulls into Active Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Novick, Andrew, Cai, Diana, Nguyen, Quan, Garnett, Roman, Adams, Ryan, Toberer, Eric
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Materials Science
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

SLayerGen: a Crystal Generative Model for all Space and Layer Groups
von: Chang, Rees, et al.
Veröffentlicht: (2026)

A Genetic Algorithm For Convex Hull Optimisation
von: Donaldson, Scott, et al.
Veröffentlicht: (2024)

Mapping the Configuration Space of Half-Heusler Compounds via Subspace Identification for Thermoelectric Materials Discovery
von: Pak, Angela, et al.
Veröffentlicht: (2025)

Continuous alloying between rocksalt and half-Heusler structures drives metal-semiconductor transition in ErNi$_x$Sb
von: Wróblewska, Maria, et al.
Veröffentlicht: (2024)

Modeling glasses from first-principles using random structure sampling
von: Wolf, Laszlo, et al.
Veröffentlicht: (2024)

All "roads" lead to rocksalt structure
von: Jankousky, Matthew, et al.
Veröffentlicht: (2024)

Small-Cell-Based Fast Active Learning of Machine Learning Interatomic Potentials
von: Meng, Zijian, et al.
Veröffentlicht: (2025)

Active Learning for Generalizable Detonation Performance Prediction of Energetic Materials
von: Ullberg, R. Seaton, et al.
Veröffentlicht: (2026)

Kolmogorov-Arnold Networks Applied to Materials Property Prediction
von: Jacobs, Ryan, et al.
Veröffentlicht: (2026)

Machine Learning Materials Properties with Accurate Predictions, Uncertainty Estimates, Domain Guidance, and Persistent Online Accessibility
von: Jacobs, Ryan, et al.
Veröffentlicht: (2024)

Entropy-based Active Learning of Graph Neural Network Surrogate Models for Materials Properties
von: Allotey, Johannes, et al.
Veröffentlicht: (2021)

Applications of Machine Learning in Polymer Materials: Property Prediction, Material Design, and Systematic Processes
von: Li, Hongtao Guo Shuai Li Shu
Veröffentlicht: (2025)

A Critical Examination of Active Learning Workflows in Materials Science
von: Nair, Akhil S., et al.
Veröffentlicht: (2026)

Towards MatCore: A Unified Metadata Standard for Materials Science
von: Greenberg, Jane, et al.
Veröffentlicht: (2025)

Active Learning Guided Computational Discovery of 2D Materials with Large Spin Hall Conductivity
von: Kale, Abhijeet J., et al.
Veröffentlicht: (2025)

Machine Learning for Electrode Materials: Property Prediction via Composition
von: Wu, Hao, et al.
Veröffentlicht: (2026)

Carrier Mobility of Strongly Anharmonic Materials from First Principles
von: Quan, Jingkai, et al.
Veröffentlicht: (2024)

First-Principles Thermodynamic Analysis of Ternary Chalcogenide Phase Change Materials
von: Adams, Felix, et al.
Veröffentlicht: (2026)

Formation Energy Prediction of Material Crystal Structures using Deep Learning
von: Torlao, V., et al.
Veröffentlicht: (2024)

Non-trivial topology in rare-earth monopnictides from dimensionality reduction
von: Ho, Dai Q., et al.
Veröffentlicht: (2023)

Active Learning Driven Materials Discovery for Low Thermal Conductivity Rare-Earth Pyrochlore for Thermal Barrier Coatings
von: Chowdhury, Amiya, et al.
Veröffentlicht: (2025)

Probabilistic Phase Labeling and Lattice Refinement for Autonomous Material Research
von: Chang, Ming-Chiang, et al.
Veröffentlicht: (2023)

Regression with Large Language Models for Materials and Molecular Property Prediction
von: Jacobs, Ryan, et al.
Veröffentlicht: (2024)

Training-Free Active Learning Framework in Materials Science with Large Language Models
von: Wang, Hongchen, et al.
Veröffentlicht: (2025)

Foundation-Model Surrogates Enable Data-Efficient Active Learning for Materials Discovery
von: Hu, Jeffrey, et al.
Veröffentlicht: (2026)

Machine Learning and First-Principles Predictions of Materials with Low Lattice Thermal Conductivity
von: Lin, Chia-Min, et al.
Veröffentlicht: (2024)

Physical Encoding Improves OOD Performance in Deep Learning Materials Property Prediction
von: Fu, Nihang, et al.
Veröffentlicht: (2024)

Achieving Robust Extrapolation in Materials Property Prediction via Decoupled Transfer Learning
von: Sugiura, Tasuku, et al.
Veröffentlicht: (2026)

Physics Aware Representation Learning on Electronic Charge Density for Materials Property Prediction
von: Kumar, Kammampati Sai, et al.
Veröffentlicht: (2026)

Beyond Predicted ZT: Machine Learning Strategies for the Experimental Discovery of Thermoelectric Materials
von: Athar, Shoeb, et al.
Veröffentlicht: (2026)

Search for Active and Inactive Ion Insertion Sites in Organic Crystalline Materials
von: Gopidi, Harshan Reddy, et al.
Veröffentlicht: (2025)

High-Throughput Search for Photostrictive Materials based on a Thermodynamic Descriptor
von: Xiang, Zeyu, et al.
Veröffentlicht: (2024)

Reproducibility in Computational Materials Science: Lessons from 'A General-Purpose Machine Learning Framework for Predicting Properties of Inorganic Materials'
von: Persaud, Daniel, et al.
Veröffentlicht: (2023)

Bayesian Co-navigation: Dynamic Designing of the Materials Digital Twins via Active Learning
von: Slautin, Boris N., et al.
Veröffentlicht: (2024)

Accelerating Quantum Materials Characterization: Hybrid Active Learning for Autonomous Spin Wave Spectroscopy
von: Ratcliff II, William
Veröffentlicht: (2026)

Multi-Source Domain Transfer Learning for Accurate Property Prediction in Two-Dimensional Materials
von: Zhang, Huiyang, et al.
Veröffentlicht: (2026)

Active-Learning Inspired $\textit{Ab Initio}$ Theory-Experiment Loop Approach for Management of Material Defects: Application to Superconducting Qubits
von: Chaudhari, Sarvesh, et al.
Veröffentlicht: (2025)

Quantum Kernel Machine Learning for Autonomous Materials Science
von: Adams, Felix, et al.
Veröffentlicht: (2026)

Integrating Machine Learning with Triboelectric Nanogenerators: Optimizing Electrode Materials and Doping Strategies for Intelligent Energy Harves
von: Xu, Guanping, et al.
Veröffentlicht: (2025)

Accelerating the Training and Improving the Reliability of Machine-Learned Interatomic Potentials for Strongly Anharmonic Materials through Active Learning
von: Kang, Kisung, et al.
Veröffentlicht: (2024)