Buchumschlag

Dielectric Tensor Prediction for Inorganic Materials Using Latent Information from Preferred Potential

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Mao, Zetian, Li, Wenwen, Tan, Jethro
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Materials Science Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

PLaID++: A Preference Aligned Language Model for Targeted Inorganic Materials Design
von: Xu, Andy, et al.
Veröffentlicht: (2025)

CRYSIM: Prediction of Symmetric Structures of Large Crystals with GPU-based Ising Machines
von: Liang, Chen, et al.
Veröffentlicht: (2025)

Scalable Dielectric Tensor Predictions for Inorganic Materials using Equivariant Graph Neural Networks
von: Hua, Haowei, et al.
Veröffentlicht: (2026)

Probing Materials Knowledge in LLMs: From Latent Embeddings to Reliable Predictions
von: Venugopal, Vineeth, et al.
Veröffentlicht: (2026)

Tensor Completion for Surrogate Modeling of Material Property Prediction
von: Pakala, Shaan, et al.
Veröffentlicht: (2025)

Fine-Tuned Language Models Generate Stable Inorganic Materials as Text
von: Gruver, Nate, et al.
Veröffentlicht: (2024)

Language Models Enable Data-Augmented Synthesis Planning for Inorganic Materials
von: Prein, Thorben, et al.
Veröffentlicht: (2025)

Representation of Inorganic Synthesis Reactions and Prediction: Graphical Framework and Datasets
von: Andrello, Samuel, et al.
Veröffentlicht: (2025)

Reduced Order Modeling of Energetic Materials Using Physics-Aware Recurrent Convolutional Neural Networks in a Latent Space (LatentPARC)
von: Gray, Zoë J., et al.
Veröffentlicht: (2025)

Improved Uncertainty Estimation of Graph Neural Network Potentials Using Engineered Latent Space Distances
von: Musielewicz, Joseph, et al.
Veröffentlicht: (2024)

Physics-Informed Neural Networks for Electrical Circuit Analysis: Applications in Dielectric Material Modeling
von: Taj, Reyhaneh
Veröffentlicht: (2024)

Molecule Graph Networks with Many-body Equivariant Interactions
von: Mao, Zetian, et al.
Veröffentlicht: (2024)

P-DRUM: Post-hoc Descriptor-based Residual Uncertainty Modeling for Machine Learning Potentials
von: Huang, Shih-Peng, et al.
Veröffentlicht: (2025)

Lang2MLIP: End-to-End Language-to-Machine Learning Interatomic Potential Development with Autonomous Agentic Workflows
von: Li, Wenwen, et al.
Veröffentlicht: (2026)

Benchmarking GNNs for OOD Materials Property Prediction with Uncertainty Quantification
von: Tan, Liqin, et al.
Veröffentlicht: (2025)

Generating Symmetric Materials using Latent Flow Matching
von: Karmush, Anmar, et al.
Veröffentlicht: (2026)

Accurate Crystal Structure Prediction of New 2D Hybrid Organic Inorganic Perovskites
von: Karimitari, Nima, et al.
Veröffentlicht: (2024)

Predicting Organic-Inorganic Halide Perovskite Photovoltaic Performance from Optical Properties of Constituent Films through Machine Learning
von: Zhang, Ruiqi, et al.
Veröffentlicht: (2024)

A General Neural Network Potential for Energetic Materials with C, H, N, and O elements
von: Wen, Mingjie, et al.
Veröffentlicht: (2025)

Predictive Inorganic Synthesis based on Machine Learning using Small Data sets: a case study of size-controlled Cu Nanoparticles
von: Motmans, Brent, et al.
Veröffentlicht: (2025)

Accelerating CALPHAD-based Phase Diagram Predictions in Complex Alloys Using Universal Machine Learning Potentials: Opportunities and Challenges
von: Zhu, Siya, et al.
Veröffentlicht: (2024)

Large Language Model-Guided Prediction Toward Quantum Materials Synthesis
von: Okabe, Ryotaro, et al.
Veröffentlicht: (2024)

Efficient and Accurate Spatial Mixing of Machine Learned Interatomic Potentials for Materials Science
von: Birks, Fraser, et al.
Veröffentlicht: (2025)

Multimodal Foundation Models for Material Property Prediction and Discovery
von: Moro, Viggo, et al.
Veröffentlicht: (2023)

Explainable AI for Curie Temperature Prediction in Magnetic Materials
von: Ajaib, M. Adeel, et al.
Veröffentlicht: (2025)

Integrating Predictive and Generative Capabilities by Latent Space Design via the DKL-VAE Model
von: Slautin, Boris N., et al.
Veröffentlicht: (2025)

MoMa: A Modular Deep Learning Framework for Material Property Prediction
von: Wang, Botian, et al.
Veröffentlicht: (2025)

Self-Optimizing Machine Learning Potential Assisted Automated Workflow for Highly Efficient Complex Systems Material Design
von: Li, Jiaxiang, et al.
Veröffentlicht: (2025)

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

Complete and Efficient Graph Transformers for Crystal Material Property Prediction
von: Yan, Keqiang, et al.
Veröffentlicht: (2024)

Stable Long-Horizon Spatiotemporal Prediction on Meshes Using Latent Multiscale Recurrent Graph Neural Networks
von: Salesses, Lionel, et al.
Veröffentlicht: (2026)

Predicting Peak Stresses In Microstructured Materials Using Convolutional Encoder-Decoder Learning
von: Shrivastava, Ankit, et al.
Veröffentlicht: (2022)

Predicting Stress in Two-phase Random Materials and Super-Resolution Method for Stress Images by Embedding Physical Information
von: Xing, Tengfei, et al.
Veröffentlicht: (2025)

Material Microstructure Design Using VAE-Regression with Multimodal Prior
von: Sardeshmukh, Avadhut, et al.
Veröffentlicht: (2024)

A Foundation Model for Material Fracture Prediction
von: Marcato, Agnese, 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)

Composite Material Design for Optimized Fracture Toughness Using Machine Learning
von: Jahromi, Mohammad Naqizadeh, et al.
Veröffentlicht: (2024)

Predicting and Accelerating Nanomaterials Synthesis Using Machine Learning Featurization
von: Price, Christopher C., et al.
Veröffentlicht: (2024)

Maximizing Efficiency of Dataset Compression for Machine Learning Potentials With Information Theory
von: Yu, Benjamin, 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)