Buchumschlag

Functional Unit: A New Perspective on Materials Science Research Paradigms

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ye, Caichao, Feng, Tao, Liu, Weishu, Zhang, Wenqing
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

Global Universal Scaling and Ultra-Small Parameterization in Machine Learning Interatomic Potentials with Super-Linearity
von: Hu, Yanxiao, et al.
Veröffentlicht: (2025)

Knowledge-Reuse Transfer Learning Methods in Molecular and Material Science
von: Chen, An, et al.
Veröffentlicht: (2024)

A Critical Examination of Active Learning Workflows in Materials Science
von: Nair, Akhil S., et al.
Veröffentlicht: (2026)

XxaCT-NN: Structure Agnostic Multimodal Learning for Materials Science
von: Subramanian, Jithendaraa, et al.
Veröffentlicht: (2025)

Beyond Atomic Geometry Representations in Materials Science: A Human-in-the-Loop Multimodal Framework
von: Polat, Can, et al.
Veröffentlicht: (2025)

Bridging Text and Crystal Structures: Literature-driven Contrastive Learning for Materials Science
von: Suzuki, Yuta, et al.
Veröffentlicht: (2025)

Training-Free Active Learning Framework in Materials Science with Large Language Models
von: Wang, Hongchen, et al.
Veröffentlicht: (2025)

Efficient and Accurate Spatial Mixing of Machine Learned Interatomic Potentials for Materials Science
von: Birks, Fraser, et al.
Veröffentlicht: (2025)

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

From Text to Insight: Large Language Models for Materials Science Data Extraction
von: Schilling-Wilhelmi, Mara, 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)

Material-Property-Field-based Deep Neural Network in Hopfield Framework
von: Hu, Yanxiao, et al.
Veröffentlicht: (2026)

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

Research Paradigm of Materials Science Tetrahedra with Artificial Intelligence
von: Zhang, Shiyun, et al.
Veröffentlicht: (2026)

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)

34 Examples of LLM Applications in Materials Science and Chemistry: Towards Automation, Assistants, Agents, and Accelerated Scientific Discovery
von: Zimmermann, Yoel, et al.
Veröffentlicht: (2025)

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

Quantum Kernel Machine Learning for Autonomous Materials Science
von: Adams, Felix, et al.
Veröffentlicht: (2026)

Peridynamic Neural Operators: A Data-Driven Nonlocal Constitutive Model for Complex Material Responses
von: Jafarzadeh, Siavash, et al.
Veröffentlicht: (2024)

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

Machine Learning - Driven Materials Discovery: Unlocking Next-Generation Functional Materials - A review
von: Nematov, Dilshod, et al.
Veröffentlicht: (2025)

UniMat: Unifying Materials Embeddings through Multi-modal Learning
von: Ock, Janghoon, et al.
Veröffentlicht: (2024)

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

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

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

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

Multi-Variable Batch Bayesian Optimization in Materials Research: Synthetic Data Analysis of Noise Sensitivity and Problem Landscape Effects
von: Mia, Imon, et al.
Veröffentlicht: (2025)

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

Reflections from the 2024 Large Language Model (LLM) Hackathon for Applications in Materials Science and Chemistry
von: Zimmermann, Yoel, et al.
Veröffentlicht: (2024)

Open Materials Generation with Stochastic Interpolants
von: Hoellmer, Philipp, 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)

MoMa: A Modular Deep Learning Framework for Material Property Prediction
von: Wang, Botian, 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)

The Northeast Materials Database for Magnetic Materials
von: Itani, Suman, et al.
Veröffentlicht: (2024)

Temperature-Aware Recurrent Neural Operator for Temperature-Dependent Anisotropic Plasticity in HCP Materials
von: Hollenweger, Yannick, 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)

Understanding Machine Learning Paradigms through the Lens of Statistical Thermodynamics: A tutorial
von: Star, et al.
Veröffentlicht: (2024)

Bridging the Semantic-Numerical Gap: A Numerical Reasoning Method of Cross-modal Knowledge Graph for Material Property Prediction
von: Song, Guangxuan, et al.
Veröffentlicht: (2023)