Buchumschlag

Explainable Data-driven Modeling of Adsorption Energy in Heterogeneous Catalysis

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Vinchurkar, Tirtha, Ock, Janghoon, Farimani, Amir Barati
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Chemical Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

GradNav: Accelerated Exploration of Potential Energy Surfaces with Gradient-Based Navigation
von: Ock, Janghoon, et al.
Veröffentlicht: (2024)

Beyond Force Metrics: Pre-Training MLFFs for Stable MD Simulations
von: Maheshwari, Shagun, et al.
Veröffentlicht: (2025)

Adsorb-Agent: Autonomous Identification of Stable Adsorption Configurations via Large Language Model Agent
von: Ock, Janghoon, et al.
Veröffentlicht: (2024)

Pretraining Strategy for Neural Potentials
von: Zhang, Zehua, et al.
Veröffentlicht: (2024)

NANOGPT: A Query-Driven Large Language Model Retrieval-Augmented Generation System for Nanotechnology Research
von: Chandrasekhar, Achuth, et al.
Veröffentlicht: (2025)

Multimodal Language and Graph Learning of Adsorption Configuration in Catalysis
von: Ock, Janghoon, et al.
Veröffentlicht: (2024)

Meta-Learning for Cross-Task Generalization in Protein Mutation Property Prediction
von: Badrinarayanan, Srivathsan, et al.
Veröffentlicht: (2025)

LLM-guided Chemical Process Optimization with a Multi-Agent Approach
von: Zeng, Tong, et al.
Veröffentlicht: (2025)

Large Language Model Agent for Modular Task Execution in Drug Discovery
von: Ock, Janghoon, et al.
Veröffentlicht: (2025)

Explain Like I'm Five: Using LLMs to Improve PDE Surrogate Models with Text
von: Lorsung, Cooper, et al.
Veröffentlicht: (2024)

Uncertainty Quantification in Graph Neural Networks with Shallow Ensembles
von: Vinchurkar, Tirtha, et al.
Veröffentlicht: (2025)

Bayesian Optimization of Catalysis With In-Context Learning
von: Ramos, Mayk Caldas, et al.
Veröffentlicht: (2023)

PICL: Physics Informed Contrastive Learning for Partial Differential Equations
von: Lorsung, Cooper, et al.
Veröffentlicht: (2024)

Teaching Language Models Mechanistic Explainability Through MechSMILES
von: Neukomm, Théo A., et al.
Veröffentlicht: (2025)

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

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

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

Physics Informed Token Transformer for Solving Partial Differential Equations
von: Lorsung, Cooper, et al.
Veröffentlicht: (2023)

Data-driven construction of machine-learning-based interatomic potentials for gas-surface scattering dynamics: the case of NO on graphite
von: Del Fré, Samuel, et al.
Veröffentlicht: (2026)

Zero-Shot Uncertainty Quantification using Diffusion Probabilistic Models
von: Shu, Dule, et al.
Veröffentlicht: (2024)

AdditiveLLM: Large Language Models Predict Defects in Additive Manufacturing
von: Pak, Peter, et al.
Veröffentlicht: (2025)

LinkD: AutoRegressive Diffusion Model for Mechanical Linkage Synthesis
von: Jadhav, Yayati, et al.
Veröffentlicht: (2026)

AdditiveLLM2: A Multi-modal Large Language Model for Additive Manufacturing
von: Pak, Peter, et al.
Veröffentlicht: (2026)

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

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

Investigating Data Hierarchies in Multifidelity Machine Learning for Excitation Energies
von: Vinod, Vivin, et al.
Veröffentlicht: (2024)

Airfoil Diffusion: Denoising Diffusion Model For Conditional Airfoil Generation
von: Graves, Reid, et al.
Veröffentlicht: (2024)

Discovery of Spatter Constitutive Models in Additive Manufacturing Using Machine Learning
von: Ajenifujah, Olabode T., et al.
Veröffentlicht: (2025)

Nutmeg and SPICE: Models and Data for Biomolecular Machine Learning
von: Eastman, Peter, et al.
Veröffentlicht: (2024)

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)

How False Data Affects Machine Learning Models in Electrochemistry?
von: Deshsorna, Krittapong, et al.
Veröffentlicht: (2023)

Masked Autoencoders are PDE Learners
von: Zhou, Anthony, et al.
Veröffentlicht: (2024)

Predicting Change, Not States: An Alternate Framework for Neural PDE Surrogates
von: Zhou, Anthony, et al.
Veröffentlicht: (2024)

Hamiltonian Neural PDE Solvers through Functional Approximation
von: Zhou, Anthony, et al.
Veröffentlicht: (2025)

Pretraining a Neural Operator in Lower Dimensions
von: Hemmasian, AmirPouya, et al.
Veröffentlicht: (2024)

Multi-scale Time-stepping of Partial Differential Equations with Transformers
von: Hemmasian, AmirPouya, et al.
Veröffentlicht: (2023)

Energy-Based Coarse-Graining in Molecular Dynamics: A Flow-Based Framework without Data
von: Stupp, Maximilian, et al.
Veröffentlicht: (2025)

Gradual Optimization Learning for Conformational Energy Minimization
von: Tsypin, Artem, et al.
Veröffentlicht: (2023)

Large Language Model Agent as a Mechanical Designer
von: Jadhav, Yayati, et al.
Veröffentlicht: (2024)

Hybrid physics-based and data-driven modeling with calibrated uncertainty for lithium-ion battery degradation diagnosis and prognosis
von: Lin, Jing, et al.
Veröffentlicht: (2021)