Buchumschlag

Do Graph Neural Networks Work for High Entropy Alloys?

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhang, Hengrui, Huang, Ruishu, Chen, Jie, Rondinelli, James M., Chen, Wei
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Materials Science
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

MolSets: Molecular Graph Deep Sets Learning for Mixture Property Modeling
von: Zhang, Hengrui, et al.
Veröffentlicht: (2023)

Kolmogorov-Arnold Neural Networks for High-Entropy Alloys Design
von: Bandyopadhyay, Yagnik, et al.
Veröffentlicht: (2024)

Emerging Microelectronic Materials by Design: Navigating Combinatorial Design Space with Scarce and Dispersed Data
von: Zhang, Hengrui, et al.
Veröffentlicht: (2024)

Data Driven Insights into Composition Property Relationships in FCC High Entropy Alloys
von: Flores, Nicolas, et al.
Veröffentlicht: (2025)

Physically Consistent Machine Learning for Melting Temperature Prediction of Refractory High-Entropy Alloys
von: Hasnain, Mohd
Veröffentlicht: (2026)

Graph neural network framework for energy mapping of hybrid monte-carlo molecular dynamics simulations of Medium Entropy Alloys
von: Ehsan, Mashaekh Tausif, et al.
Veröffentlicht: (2024)

Multi-Label Phase Diagram Prediction in Complex Alloys via Physics-Informed Graph Attention Networks
von: Park, Eunjeong, et al.
Veröffentlicht: (2026)

AlloyBERT: Alloy Property Prediction with Large Language Models
von: Chaudhari, Akshat, et al.
Veröffentlicht: (2024)

ADA-GNN: Atom-Distance-Angle Graph Neural Network for Crystal Material Property Prediction
von: Huang, Jiao, et al.
Veröffentlicht: (2024)

Scaling Laws of Graph Neural Networks for Atomistic Materials Modeling
von: Li, Chaojian, et al.
Veröffentlicht: (2025)

Pre-training Graph Neural Networks with Structural Fingerprints for Materials Discovery
von: Jia, Shuyi, et al.
Veröffentlicht: (2025)

Crystal Fractional Graph Neural Network for Energy Prediction of High-Entropy Alloys
von: Kotama, Takanori, et al.
Veröffentlicht: (2026)

Learning Ordering in Crystalline Materials with Symmetry-Aware Graph Neural Networks
von: Peng, Jiayu, et al.
Veröffentlicht: (2024)

Generalizability of Graph Neural Network Force Fields for Predicting Solid-State Properties
von: Mohanty, Shaswat, et al.
Veröffentlicht: (2024)

Graph Neural Networks for Carbon Dioxide Adsorption Prediction in Aluminium-Exchanged Zeolites
von: Petković, Marko, et al.
Veröffentlicht: (2024)

Stress Predictions in Polycrystal Plasticity using Graph Neural Networks with Subgraph Training
von: Zhai, Hanfeng
Veröffentlicht: (2024)

Graph Neural Network Prediction of Nonlinear Optical Properties
von: Alkabakibi, Yomn, et al.
Veröffentlicht: (2025)

A New Workflow for Materials Discovery Bridging the Gap Between Experimental Databases and Graph Neural Networks
von: Schoener, Brandon, et al.
Veröffentlicht: (2026)

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

Machine Learning-Driven Creep Law Discovery Across Alloy Compositional Space
von: Chen, Hongshun, et al.
Veröffentlicht: (2026)

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

Scaling Kinetic Monte-Carlo Simulations of Grain Growth with Combined Convolutional and Graph Neural Networks
von: Tian, Zhihui, et al.
Veröffentlicht: (2025)

Symmetry-Informed Graph Neural Networks for Carbon Dioxide Isotherm and Adsorption Prediction in Aluminum-Substituted Zeolites
von: Petković, Marko, et al.
Veröffentlicht: (2025)

Orb: A Fast, Scalable Neural Network Potential
von: Neumann, Mark, et al.
Veröffentlicht: (2024)

Discovering High-Strength Alloys via Physics-Transfer Learning
von: Zhao, Yingjie, et al.
Veröffentlicht: (2024)

Understanding the Capabilities of Molecular Graph Neural Networks in Materials Science Through Multimodal Learning and Physical Context Encoding
von: Polat, Can, et al.
Veröffentlicht: (2025)

Deep Learning-Based Surrogate Creep Modelling in Inconel 625: A High-Temperature Alloy Study
von: Das, Shubham, et al.
Veröffentlicht: (2025)

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

Diagonal Symmetrization of Neural Network Solvers for the Many-Electron Schrödinger Equation
von: Huang, Kevin Han, et al.
Veröffentlicht: (2025)

Material Property Prediction with Element Attribute Knowledge Graphs and Multimodal Representation Learning
von: Huang, Chao, et al.
Veröffentlicht: (2024)

Hybrid Quantum Graph Neural Network for Molecular Property Prediction
von: Vitz, Michael, et al.
Veröffentlicht: (2024)

Breaking the Precision Ceiling in Physics-Informed Neural Networks: A Hybrid Fourier-Neural Architecture for Ultra-High Accuracy
von: Lee, Wei Shan, et al.
Veröffentlicht: (2025)

Co-Evolution-Based Metal-Binding Residue Prediction with Graph Neural Networks
von: Rastegari, Sayedmohammadreza, et al.
Veröffentlicht: (2025)

Identification of Empirical Constitutive Models for Age-Hardenable Aluminium Alloy and High-Chromium Martensitic Steel Using Symbolic Regression
von: Kabliman, Evgeniya, et al.
Veröffentlicht: (2025)

Supply Risk-Aware Alloy Discovery and Design
von: Mulukutla, Mrinalini, et al.
Veröffentlicht: (2024)

Equivariant Matrix Function Neural Networks
von: Batatia, Ilyes, et al.
Veröffentlicht: (2023)

Lagrangian Neural Networks for Reversible Dissipative Evolution
von: Sundararaghavan, Veera, et al.
Veröffentlicht: (2024)

PGNAA Spectral Classification of Aluminium and Copper Alloys with Machine Learning
von: Folz, Henrik, et al.
Veröffentlicht: (2024)

Adapting OC20-trained EquiformerV2 Models for High-Entropy Materials
von: Clausen, Christian M., et al.
Veröffentlicht: (2024)

Predicting and Interpreting Energy Barriers of Metallic Glasses with Graph Neural Networks
von: Li, Haoyu, et al.
Veröffentlicht: (2023)