Buchumschlag

Mechanics and Design of Metastructured Auxetic Patches with Bio-inspired Materials

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Chen, Yingbin, Arzani, Milad, Mu, Xuan, Jin, Sophia, Xiao, Shaoping
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Materials Science
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Inverse Design of Nonlinear Mechanics of Bio-inspired Materials Through Interface Engineering and Bayesian Optimization
von: Zhang, Wei, et al.
Veröffentlicht: (2024)

Mechanisms of Matter: Language Inferential Benchmark on Physicochemical Hypothesis in Materials Synthesis
von: Pu, Yingming, et al.
Veröffentlicht: (2025)

VAE for Modified 1-Hot Generative Materials Modeling, A Step Towards Inverse Material Design
von: El-Awady, Khalid
Veröffentlicht: (2023)

Enhancing Materials Discovery with Valence Constrained Design in Generative Modeling
von: Cheng, Mouyang, et al.
Veröffentlicht: (2025)

Learning ORDER-Aware Multimodal Representations for Composite Materials Design
von: Li, Xinyao, et al.
Veröffentlicht: (2026)

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

Inverse Materials Design by Large Language Model-Assisted Generative Framework
von: Hao, Yun, et al.
Veröffentlicht: (2025)

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

AMShortcut: An Inference- and Training-Efficient Inverse Design Model for Amorphous Materials
von: Lin, Yan, et al.
Veröffentlicht: (2026)

Mixed-Variable Global Sensitivity Analysis For Knowledge Discovery And Efficient Combinatorial Materials Design
von: Comlek, Yigitcan, et al.
Veröffentlicht: (2023)

Identifying Constitutive Parameters for Complex Hyperelastic Materials using Physics-Informed Neural Networks
von: Song, Siyuan, et al.
Veröffentlicht: (2023)

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

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

Bayesian Co-navigation: Dynamic Designing of the Materials Digital Twins via Active Learning
von: Slautin, Boris N., et al.
Veröffentlicht: (2024)

Data-efficient and Interpretable Inverse Materials Design using a Disentangled Variational Autoencoder
von: Zeng, Cheng, et al.
Veröffentlicht: (2024)

Rethinking Gradient-Based Methods: Multi-Property Materials Design Beyond Differentiable Targets
von: Fujii, Akihiro, et al.
Veröffentlicht: (2024)

DMFlow: Disordered Materials Generation by Flow Matching
von: Wu, Liming, et al.
Veröffentlicht: (2026)

Reinforcement Fine-Tuning for Materials Design
von: Cao, Zhendong, et al.
Veröffentlicht: (2025)

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

Deep Gaussian Process-based Cost-Aware Batch Bayesian Optimization for Complex Materials Design Campaigns
von: Alvi, Sk Md Ahnaf Akif, et al.
Veröffentlicht: (2025)

DataScribe: An AI-Native, Policy-Aligned Web Platform for Multi-Objective Materials Design and Discovery
von: Singh, Divyanshu, et al.
Veröffentlicht: (2026)

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

A Message Passing Neural Network Surrogate Model for Bond-Associated Peridynamic Material Correspondence Formulation
von: Hu, Xuan, et al.
Veröffentlicht: (2024)

Generative Inverse Design of Cold Metals for Low-Power Electronics
von: Wu, Kedeng, et al.
Veröffentlicht: (2026)

Information-Theoretic Multi-Model Fusion for Target-Oriented Adaptive Sampling in Materials Design
von: Zhang, Yixuan, et al.
Veröffentlicht: (2026)

PolyMicros: Bootstrapping a Foundation Model for Polycrystalline Material Structure
von: Buzzy, Michael, et al.
Veröffentlicht: (2025)

From Natural Language to Materials Discovery:The Materials Knowledge Navigation Agent
von: Zhuang, Genmao, et al.
Veröffentlicht: (2026)

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

AIMatDesign: Knowledge-Augmented Reinforcement Learning for Inverse Materials Design under Data Scarcity
von: Yu, Yeyong, et al.
Veröffentlicht: (2025)

MatWheel: Addressing Data Scarcity in Materials Science Through Synthetic Data
von: Li, Wentao, et al.
Veröffentlicht: (2025)

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

Generative Models for Crystalline Materials
von: Metni, Houssam, et al.
Veröffentlicht: (2025)

Open Materials Generation with Stochastic Interpolants
von: Hoellmer, Philipp, et al.
Veröffentlicht: (2025)

Materium: An Autoregressive Approach for Material Generation
von: Dobberstein, Niklas, et al.
Veröffentlicht: (2025)

Compositional Representation of Polymorphic Crystalline Materials
von: Lee, Namkyeong, et al.
Veröffentlicht: (2023)

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

A Materials Map Integrating Experimental and Computational Data via Graph-Based Machine Learning for Enhanced Materials Discovery
von: Hashimoto, Yusuke, et al.
Veröffentlicht: (2025)

Artificial Intelligence-Enabled Holistic Design of Catalysts Tailored for Semiconducting Carbon Nanotube Growth
von: Qian, Liu, et al.
Veröffentlicht: (2025)

Suppressing Mechanical Property Variability in Recycled Plastics via Bio-inspired Design
von: Georgiou, Dimitrios, et al.
Veröffentlicht: (2025)

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