Buchumschlag

Generative deep learning for the inverse design of materials

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Long, Teng, Zhang, Yixuan, Zhang, Hongbin
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Materials Science Computational Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Stable diffusion for the inverse design of microstructures
von: Zhang, Yixuan, et al.
Veröffentlicht: (2024)

What can machine learning help with microstructure-informed materials modeling and design?
von: Peng, Xiang-Long, et al.
Veröffentlicht: (2024)

Universal materials model of deep-learning density functional theory Hamiltonian
von: Wang, Yuxiang, et al.
Veröffentlicht: (2024)

Machine learning-enabled inverse design of bimaterial thermoelastic lattice metamaterials
von: Peng, Xiang-Long, et al.
Veröffentlicht: (2026)

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

Multi-property directed generative design of inorganic materials through Wyckoff-augmented transfer learning
von: Yamazaki, Shuya, et al.
Veröffentlicht: (2025)

Algorithmic differentiation for plane-wave DFT: materials design, error control and learning model parameters
von: Schmitz, Niklas Frederik, et al.
Veröffentlicht: (2025)

PSP-GEN: Stochastic inversion of the Process-Structure-Property chain in materials design through deep, generative probabilistic modeling
von: Zang, Yaohua, et al.
Veröffentlicht: (2024)

InvDesFlow: An AI-driven materials inverse design workflow to explore possible high-temperature superconductors
von: Han, Xiao-Qi, et al.
Veröffentlicht: (2024)

Coarse-grained crystal graph neural networks for reticular materials design
von: Korolev, Vadim, et al.
Veröffentlicht: (2023)

Improving density matrix electronic structure method by deep learning
von: Tang, Zechen, et al.
Veröffentlicht: (2024)

Machine learning-driven elasticity prediction in advanced inorganic materials via convolutional neural networks
von: Liu, Yujie, et al.
Veröffentlicht: (2025)

Solving the inverse problem of X-ray absorption spectroscopy via physics-informed deep learning
von: Zhong, Suyang, et al.
Veröffentlicht: (2026)

A physics-aware deep learning model for shear band formation around collapsing pores in shocked reactive materials
von: Cheng, Xinlun, et al.
Veröffentlicht: (2025)

Electrostatic interactions in atomistic and machine-learned potentials for polar materials
von: Monacelli, Lorenzo, et al.
Veröffentlicht: (2024)

Large Language Models for Material Property Predictions: elastic constant tensor prediction and materials design
von: Liu, Siyu, et al.
Veröffentlicht: (2024)

Polymorphic crystallites model for monolayer amorphous materials
von: Zhu, Le-Ye, et al.
Veröffentlicht: (2026)

Screening of material defects using universal machine-learning interatomic potentials
von: Berger, Ethan, et al.
Veröffentlicht: (2025)

Composition design of refractory compositionally complex alloys using machine learning models
von: Liang, Tao, et al.
Veröffentlicht: (2026)

Dynamically training machine-learning-based force fields for strongly anharmonic materials
von: Callsen, Martin, et al.
Veröffentlicht: (2026)

Discovery of sustainable energy materials via the machine-learned material space
von: Grunert, Malte, et al.
Veröffentlicht: (2025)

The stable behavior of low thermal conductivity in 1T-sandwich structure with different components
von: Zhou, E, et al.
Veröffentlicht: (2022)

Accelerating material melting temperature predictions by implementing machine learning potentials in the SLUSCHI package
von: CampBell, Audrey, et al.
Veröffentlicht: (2024)

Scaling atom-by-atom inverse design with nano-topology optimization and diffusion models
von: Chen, Chun-Teh, et al.
Veröffentlicht: (2026)

Combining graph deep learning and London dispersion interatomic potentials: A case study on pnictogen chalcohalides
von: Kılıç, Çetin, et al.
Veröffentlicht: (2024)

DeepH-2: Enhancing deep-learning electronic structure via an equivariant local-coordinate transformer
von: Wang, Yuxiang, et al.
Veröffentlicht: (2024)

Native point defects in HgCdTe infrared detector material: Identifying deep centers from first principles
von: Chen, Wei, et al.
Veröffentlicht: (2023)

Dimension- and Facet-Dependent Altermagnetic Biferroics and Ferromagnetic Biferroics and Triferroics in CrSb
von: Zhang, Long, et al.
Veröffentlicht: (2025)

Navigating chemical design spaces for metal-ion batteries via machine-learning-guided phase-field simulations
von: Taghavian, Hamed, et al.
Veröffentlicht: (2025)

Accelerating active learning materials discovery with FAIR data and workflows: a case study for alloy melting temperatures
von: Harwani, Mohnish, et al.
Veröffentlicht: (2024)

Accelerated discovery and design of Fe-Co-Zr magnets with tunable magnetic anisotropy through machine learning and parallel computing
von: Xia, Weiyi, et al.
Veröffentlicht: (2025)

DeepH-pack: A general-purpose neural network package for deep-learning electronic structure calculations
von: Li, Yang, et al.
Veröffentlicht: (2026)

Engineering snags for spatial curvature in weaves: Fabrication, mechanics, and inverse design
von: Tu, Guowei Wayne, et al.
Veröffentlicht: (2025)

General-purpose machine-learned potential for 16 elemental metals and their alloys
von: Song, Keke, et al.
Veröffentlicht: (2023)

AI-assisted inverse design of sequence-ordered high intrinsic thermal conductivity polymers
von: Huang, Xiang, et al.
Veröffentlicht: (2024)

On-the-fly machine learning-augmented constrained AIMD to design new routes from glassy carbon to quenchable amorphous diamond with low pressure and temperature
von: Cheng, Meng-Qi, et al.
Veröffentlicht: (2025)

AI-ready design of realistic 2D materials and interfaces with Mat3ra-2D
von: Biryukov, Vsevolod, et al.
Veröffentlicht: (2026)

An empirical formulation of accelerated molecular dynamics for simulating and predicting microstructure evolution in materials
von: Wan, Liang, et al.
Veröffentlicht: (2025)

Self-supervised feature distillation and design of experiments for efficient training of micromechanical deep learning surrogates
von: Fernandez-Zelaia, Patxi, et al.
Veröffentlicht: (2024)

Deep-learning design of graphene metasurfaces for quantum control and Dirac electron holography
von: Han, Chen-Di, et al.
Veröffentlicht: (2024)