Buchumschlag

Pre-training Graph Neural Networks with Structural Fingerprints for Materials Discovery

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Jia, Shuyi, Govil, Shitij, Ramprasad, Manav, Fung, Victor
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Materials Science Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

LLMatDesign: Autonomous Materials Discovery with Large Language Models
von: Jia, Shuyi, et al.
Veröffentlicht: (2024)

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

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

MatterTune: An Integrated, User-Friendly Platform for Fine-Tuning Atomistic Foundation Models to Accelerate Materials Simulation and Discovery
von: Kong, Lingyu, et al.
Veröffentlicht: (2025)

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

Electronic Structure Guided Inverse Design Using Generative Models
von: Jia, Shuyi, et al.
Veröffentlicht: (2025)

polyGen: A Learning Framework for Atomic-level Polymer Structure Generation
von: Jain, Ayush, et al.
Veröffentlicht: (2025)

Structural Constraint Integration in Generative Model for Discovery of Quantum Material Candidates
von: Okabe, Ryotaro, et al.
Veröffentlicht: (2024)

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

Bridging Theory and Experiment in Materials Discovery: Machine-Learning-Assisted Prediction of Synthesizable Structures
von: Xin, Yu, et al.
Veröffentlicht: (2025)

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)

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

Representation-space diffusion models for generating periodic materials
von: Sinha, Anshuman, et al.
Veröffentlicht: (2024)

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

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

MADE: Benchmark Environments for Closed-Loop Materials Discovery
von: Malik, Shreshth A, et al.
Veröffentlicht: (2026)

Do Graph Neural Networks Work for High Entropy Alloys?
von: Zhang, Hengrui, et al.
Veröffentlicht: (2024)

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

Reasoning-Driven Design of Single Atom Catalysts via a Multi-Agent Large Language Model Framework
von: Mok, Dong Hyeon, et al.
Veröffentlicht: (2026)

Semantic Embeddings of Chemical Elements for Enhanced Materials Inference and Discovery
von: Jia, Yunze, et al.
Veröffentlicht: (2025)

Microstructure-based Variational Neural Networks for Robust Uncertainty Quantification in Materials Digital Twins
von: Robertson, Andreas E., et al.
Veröffentlicht: (2025)

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

Physics-Informed Neural Networks for Electrical Circuit Analysis: Applications in Dielectric Material Modeling
von: Taj, Reyhaneh
Veröffentlicht: (2024)

Extended Factorization Machine Annealing for Rapid Discovery of Transparent Conducting Materials
von: Makino, Daisuke, et al.
Veröffentlicht: (2025)

On Improving Graph Neural Networks for QSAR by Pre-training on Extended-Connectivity Fingerprints
von: Money-Kyrle, Sam, et al.
Veröffentlicht: (2026)

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

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)

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

Building Trustworthy AI for Materials Discovery: From Autonomous Laboratories to Z-scores
von: Amirian, Benhour, et al.
Veröffentlicht: (2025)

Foundation-Model Surrogates Enable Data-Efficient Active Learning for Materials Discovery
von: Hu, Jeffrey, et al.
Veröffentlicht: (2026)

Graph Transformer Networks for Accurate Band Structure Prediction: An End-to-End Approach
von: Gong, Weiyi, 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)

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

Symmetry-Informed Graph Neural Networks for Carbon Dioxide Isotherm and Adsorption Prediction in Aluminum-Substituted Zeolites
von: Petković, Marko, 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)

Complete and Efficient Graph Transformers for Crystal Material Property Prediction
von: Yan, Keqiang, et al.
Veröffentlicht: (2024)

MatLLMSearch: Crystal Structure Discovery with Evolution-Guided Large Language Models
von: Gan, Jingru, et al.
Veröffentlicht: (2025)

Higher-Order Equivariant Neural Networks for Charge Density Prediction in Materials
von: Koker, Teddy, et al.
Veröffentlicht: (2023)

Role of Large Language Models and Retrieval-Augmented Generation for Accelerating Crystalline Material Discovery: A Systematic Review
von: Oche, Agada Joseph, et al.
Veröffentlicht: (2025)