Buchumschlag

Targeting the partition function of chemically disordered materials with a generative approach based on inverse variational autoencoders

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Karcz, Maciej J., Messina, Luca, Kawasaki, Eiji, Bourasseau, Emeric
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

Thermodynamic properties of chemically disordered compounds via AI-driven estimation of partition function with the PULSE method
von: Bernard, Baptiste, et al.
Veröffentlicht: (2026)

3D variational autoencoder for fingerprinting microstructure volume elements
von: White, Michael D., et al.
Veröffentlicht: (2025)

Reward driven discovery of the optimal microstructure representations with invariant variational autoencoders
von: Slautin, Boris N., et al.
Veröffentlicht: (2025)

Unleashing the power of novel conditional generative approaches for new materials discovery
von: Novitskiy, Lev, et al.
Veröffentlicht: (2024)

MEIDNet: Multimodal generative AI framework for inverse materials design
von: Babu, Anand, et al.
Veröffentlicht: (2026)

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

An autoencoder for compressing angle-resolved photoemission spectroscopy data
von: Agustsson, Steinn Ymir, et al.
Veröffentlicht: (2024)

Learning simple heuristic rules for classifying materials based on chemical composition
von: Ma, Andrew, et al.
Veröffentlicht: (2025)

Introducing physics-informed generative models for targeting structural novelty in the exploration of chemical space
von: Vasylenko, Andrij, et al.
Veröffentlicht: (2025)

Response Matching for generating materials and molecules
von: Cheng, Bingqing
Veröffentlicht: (2024)

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

Structure-based out-of-distribution (OOD) materials property prediction: a benchmark study
von: Omee, Sadman Sadeed, et al.
Veröffentlicht: (2024)

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

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

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

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

Predicting band gap from chemical composition: A simple learned model for a material property with atypical statistics
von: Ma, Andrew, et al.
Veröffentlicht: (2025)

Combining feature-based approaches with graph neural networks and symbolic regression for synergistic performance and interpretability
von: Gouvêa, Rogério Almeida, et al.
Veröffentlicht: (2025)

Broken neural scaling laws in materials science
von: Großmann, Max, et al.
Veröffentlicht: (2026)

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

Machine learning for structure-guided materials and process design
von: Morand, Lukas, et al.
Veröffentlicht: (2023)

Symbolic regression for defect interactions in 2D materials
von: Lazarev, Mikhail, et al.
Veröffentlicht: (2025)

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

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

A data driven approach to classify descriptors based on their efficiency in translating noisy trajectories into physically-relevant information
von: Martino, Simone, et al.
Veröffentlicht: (2024)

Drivetrain simulation using variational autoencoders
von: Sharma, Pallavi, et al.
Veröffentlicht: (2025)

Probing the limitations of multimodal language models for chemistry and materials research
von: Alampara, Nawaf, et al.
Veröffentlicht: (2024)

Advancing Magnetic Materials Discovery -- A structure-based machine learning approach for magnetic ordering and magnetic moment prediction
von: Verma, Apoorv, et al.
Veröffentlicht: (2025)

Assessing data-driven predictions of band gap and electrical conductivity for transparent conducting materials
von: Ottomano, Federico, et al.
Veröffentlicht: (2024)

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

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)

Grand canonical generative diffusion model for crystalline phases and grain boundaries
von: Lei, Bo, et al.
Veröffentlicht: (2024)

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

CAST: Cross Attention based multimodal fusion of Structure and Text for materials property prediction
von: Lee, Jaewan, et al.
Veröffentlicht: (2025)

Generative Inversion for Property-Targeted Materials Design: Application to Shape Memory Alloys
von: Li, Cheng, et al.
Veröffentlicht: (2025)

Novelty-Driven Target-Space Discovery in Automated Electron and Scanning Probe Microscopy
von: Pratiush, Utkarsh, et al.
Veröffentlicht: (2026)

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

Universal crystal material property prediction via multi-view geometric fusion in graph transformers
von: Zhang, Liang, et al.
Veröffentlicht: (2025)

Physics-based material parameters extraction from perovskite experiments via Bayesian optimization
von: Zhan, Hualin, et al.
Veröffentlicht: (2024)