Buchumschlag

Multimodal machine learning with large language embedding model for polymer property prediction

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhang, Tianren, Yang, Dai-Bei
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Materials Science Chemical Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

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

Reducing cross-sample prediction churn in scientific machine learning
von: Prastalo, Gordan, et al.
Veröffentlicht: (2026)

Are large language models superhuman chemists?
von: Mirza, Adrian, et al.
Veröffentlicht: (2024)

How unconstrained machine-learning models learn physical symmetries
von: Domina, Michelangelo, et al.
Veröffentlicht: (2026)

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

How accurate are foundational machine learning interatomic potentials for heterogeneous catalysis?
von: Kempen, Luuk H. E., et al.
Veröffentlicht: (2025)

Interpolation and differentiation of alchemical degrees of freedom in machine learning interatomic potentials
von: Nam, Juno, et al.
Veröffentlicht: (2024)

A chemical language model for reticular materials design
von: Menon, Dhruv, et al.
Veröffentlicht: (2026)

Model-free quantification of completeness, uncertainties, and outliers in atomistic machine learning using information theory
von: Schwalbe-Koda, Daniel, et al.
Veröffentlicht: (2024)

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

Latent Ewald summation for machine learning of long-range interactions
von: Cheng, Bingqing
Veröffentlicht: (2024)

Breaking scaling relations with inverse catalysts: a machine learning exploration of trends in $\mathrm{CO_2}$ hydrogenation energy barriers
von: Kempen, Luuk H. E., et al.
Veröffentlicht: (2025)

Perovskite-R1: a domain-specialized large language model for intelligent discovery of precursor additives and experimental design
von: Wang, Xin-De, et al.
Veröffentlicht: (2025)

MBD-ML: Many-body dispersion from machine learning for molecules and materials
von: Moerman, Evgeny, et al.
Veröffentlicht: (2026)

Long-range electrostatics for machine learning interatomic potentials is easier than we thought
von: Kim, Dongjin, et al.
Veröffentlicht: (2025)

Grad DFT: a software library for machine learning enhanced density functional theory
von: Casares, Pablo A. M., et al.
Veröffentlicht: (2023)

Molecular electrostatic potentials from machine learning models for dipole and quadrupole predictions
von: Muuga, Kadri, et al.
Veröffentlicht: (2026)

PAL -- Parallel active learning for machine-learned potentials
von: Zhou, Chen, et al.
Veröffentlicht: (2024)

Machine learning frontier orbital energies of nanodiamonds
von: Kirschbaum, Thorren, et al.
Veröffentlicht: (2022)

Machine learning Hubbard parameters with equivariant neural networks
von: Uhrin, Martin, et al.
Veröffentlicht: (2024)

Universal rapid machine learning models for predicting unconvoluted and convoluted X-ray Absorption Spectra
von: Zhan, Fei, et al.
Veröffentlicht: (2026)

Delta-learned force fields for nonbonded interactions: Addressing the strength mismatch between covalent-nonbonded interaction for global models
von: Cázares-Trejo, Leonardo, et al.
Veröffentlicht: (2025)

PET-MAD, a lightweight universal interatomic potential for advanced materials modeling
von: Mazitov, Arslan, et al.
Veröffentlicht: (2025)

Advancements in Molecular Property Prediction: A Survey of Single and Multimodal Approaches
von: Liyaqat, Tanya, et al.
Veröffentlicht: (2024)

Polarizable atomic multipoles for learning long-range electrostatics
von: Kim, Dongjin, et al.
Veröffentlicht: (2026)

Machine learning interatomic potential can infer electrical response
von: Zhong, Peichen, et al.
Veröffentlicht: (2025)

Omics-scale polymer computational database transferable to real-world artificial intelligence applications
von: Yoshida, Ryo, et al.
Veröffentlicht: (2025)

A universal machine learning model for the electronic density of states
von: How, Wei Bin, et al.
Veröffentlicht: (2025)

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

Orbital Transformers for Predicting Wavefunctions in Time-Dependent Density Functional Theory
von: Zhang, Xuan, et al.
Veröffentlicht: (2026)

Discovery of 2D Materials via Symmetry-Constrained Diffusion Model
von: Xu, Shihang, et al.
Veröffentlicht: (2024)

Adaptive energy reference for machine-learning models of the electronic density of states
von: How, Wei Bin, et al.
Veröffentlicht: (2024)

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)

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

A foundation machine learning potential with polarizable long-range interactions for materials modelling
von: Gao, Rongzhi, et al.
Veröffentlicht: (2024)

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

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

Kernel Learning Assisted Synthesis Condition Exploration for Ternary Spinel
von: Liu, Yutong, et al.
Veröffentlicht: (2025)

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

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