Buchumschlag

Kernel Learning Assisted Synthesis Condition Exploration for Ternary Spinel

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Liu, Yutong, Ansari, Mehrad, Black, Robert, Hattrick-Simpers, Jason
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Materials Science Machine Learning Chemical Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Foundation Models for Discovery and Exploration in Chemical Space
von: Wadell, Alexius, et al.
Veröffentlicht: (2025)

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

Assessment of different loss functions for fitting equivalent circuit models to electrochemical impedance spectroscopy data
von: Jaberi, Ali, et al.
Veröffentlicht: (2025)

Transformers Discover Molecular Structure Without Graph Priors
von: Kreiman, Tobias, et al.
Veröffentlicht: (2025)

AutoREC: A software platform for developing reinforcement learning agents for equivalent circuit model generation from electrochemical impedance spectroscopy data
von: Jaberi, Ali, et al.
Veröffentlicht: (2026)

Leveraging Data Mining, Active Learning, and Domain Adaptation in a Multi-Stage, Machine Learning-Driven Approach for the Efficient Discovery of Advanced Acidic Oxygen Evolution Electrocatalysts
von: Ding, Rui, et al.
Veröffentlicht: (2024)

Transferable Learning of Reaction Pathways from Geometric Priors
von: Nam, Juno, et al.
Veröffentlicht: (2025)

Active Learning Enables Extrapolation in Molecular Generative Models
von: Antoniuk, Evan R., et al.
Veröffentlicht: (2025)

Learning the action for long-time-step simulations of molecular dynamics
von: Bigi, Filippo, et al.
Veröffentlicht: (2025)

Learning from the electronic structure of molecules across the periodic table
von: Kaniselvan, Manasa, et al.
Veröffentlicht: (2025)

Equivariant Machine Learning Interatomic Potentials with Global Charge Redistribution
von: Maruf, Moin Uddin, et al.
Veröffentlicht: (2025)

Vibrational Fingerprints of Strained Polymers: A Spectroscopic Pathway to Mechanical State Prediction
von: Konrad, Julian, et al.
Veröffentlicht: (2025)

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

Learning simple heuristic rules for classifying materials based on chemical composition
von: Ma, Andrew, et al.
Veröffentlicht: (2025)

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

Many-body Expansion Based Machine Learning Models for Octahedral Transition Metal Complexes
von: Meyer, Ralf, et al.
Veröffentlicht: (2024)

Deep Learning for GWP Prediction: A Framework Using PCA, Quantile Transformation, and Ensemble Modeling
von: Rajapriya, Navin, et al.
Veröffentlicht: (2024)

Cutting Through the Noise: On-the-fly Outlier Detection for Robust Training of Machine Learning Interatomic Potentials
von: Lam, Terry C. W., et al.
Veröffentlicht: (2026)

TraceGrad: a Framework Learning Expressive SO(3)-equivariant Non-linear Representations for Electronic-Structure Hamiltonian Prediction
von: Yin, Shi, et al.
Veröffentlicht: (2024)

Beyond the Black Box: An Interpretable Machine Learning Framework for Predicting Electronic Structure Microdescriptors and Structure-Performance Relationships in Fe-based Catalytic Systems
von: Romiluyi, Oyinkansola
Veröffentlicht: (2026)

QT-Net: Rethinking Evaluation of AI Models in Atomic Chemical Space
von: Crespo, Pablo Martínez, et al.
Veröffentlicht: (2026)

Building-Block Aware Generative Modeling for 3D Crystals of Metal Organic Frameworks
von: Duan, Chenru, et al.
Veröffentlicht: (2025)

Constructing accurate machine-learned potentials and performing highly efficient atomistic simulations to predict structural and thermal properties
von: Liu, Junlan, et al.
Veröffentlicht: (2024)

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

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

Artificial Intelligence Driven Workflow for Accelerating Design of Novel Photosensitizers
von: Wang, Hongyi, et al.
Veröffentlicht: (2025)

XANE(3): An E(3)-Equivariant Graph Neural Network for Accurate Prediction of XANES Spectra from Atomic Structures
von: Grizzi, Vitor F., et al.
Veröffentlicht: (2026)

Enhancing Diffusion-Based Sampling with Molecular Collective Variables
von: Nam, Juno, et al.
Veröffentlicht: (2025)

Machine Learning Multiscale Interactions
von: Solé, Àlex, et al.
Veröffentlicht: (2026)

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

When Active Learning Fails, Uncalibrated Out of Distribution Uncertainty Quantification Might Be the Problem
von: Dale, Ashley S., et al.
Veröffentlicht: (2025)

Understanding and Mitigating Distribution Shifts For Machine Learning Force Fields
von: Kreiman, Tobias, et al.
Veröffentlicht: (2025)

Reciprocal Space Attention for Learning Long-Range Interactions
von: Ramasubramanian, Hariharan, et al.
Veröffentlicht: (2025)

Geometric Deep Learning for Molecular Crystal Structure Prediction
von: Kilgour, Michael, et al.
Veröffentlicht: (2023)

Active Learning for Generalizable Detonation Performance Prediction of Energetic Materials
von: Ullberg, R. Seaton, et al.
Veröffentlicht: (2026)

Hybrid Quantum--Classical Machine Learning Potential with Variational Quantum Circuits
von: Willow, Soohaeng Yoo, et al.
Veröffentlicht: (2025)

The Open DAC 2025 Dataset for Sorbent Discovery in Direct Air Capture
von: Sriram, Anuroop, et al.
Veröffentlicht: (2025)

Comparing the latent features of universal machine-learning interatomic potentials
von: Chorna, Sofiia, et al.
Veröffentlicht: (2025)

Predicting band gap from chemical composition: A simple learned model for a material property with atypical statistics
von: Ma, Andrew, et al.
Veröffentlicht: (2025)

An Explainable AI Model for Binary LJ Fluids
von: Hashmi, Israrul H, et al.
Veröffentlicht: (2025)