Buchumschlag

PolyMicros: Bootstrapping a Foundation Model for Polycrystalline Material Structure

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Buzzy, Michael, Robertson, Andreas, Chen, Peng, Kalidindi, Surya
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

Thermodynamically-Informed Iterative Neural Operators for Heterogeneous Elastic Localization
von: Kelly, Conlain, et al.
Veröffentlicht: (2024)

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

Predicting Grain Growth in Polycrystalline Materials Using Deep Learning Time Series Models
von: Younes, Eliane, et al.
Veröffentlicht: (2025)

A Foundation Model for Material Fracture Prediction
von: Marcato, Agnese, et al.
Veröffentlicht: (2025)

SCALAR: Quantifying Structural Hallucination, Consistency, and Reasoning Gaps in Materials Foundation Models
von: Polat, Can, et al.
Veröffentlicht: (2026)

Conditional Variable Flow Matching: Transforming Conditional Densities with Amortized Conditional Optimal Transport
von: Generale, Adam P., et al.
Veröffentlicht: (2024)

Refining Coarse-Grained Molecular Topologies: A Bayesian Optimization Approach
von: Ray, Pranoy, et al.
Veröffentlicht: (2025)

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

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

Zatom-1: Towards a Multimodal Foundation Model for 3D Molecules and Materials
von: Morehead, Alex, et al.
Veröffentlicht: (2026)

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

PolyCrysDiff: Controllable Generation of Three-Dimensional Computable Polycrystalline Material Structures
von: Chen, Chi, et al.
Veröffentlicht: (2026)

A Materials Foundation Model via Hybrid Invariant-Equivariant Architectures
von: Yan, Keqiang, et al.
Veröffentlicht: (2025)

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

Data Driven Insights into Composition Property Relationships in FCC High Entropy Alloys
von: Flores, Nicolas, et al.
Veröffentlicht: (2025)

Spatial statistics for screening molecular structures
von: Ray, Pranoy, et al.
Veröffentlicht: (2026)

Unifying Polymer Modeling and Design via a Conformation-Centric Generative Foundation Model
von: Wang, Fanmeng, et al.
Veröffentlicht: (2025)

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

Pre-training Graph Neural Networks with Structural Fingerprints for Materials Discovery
von: Jia, Shuyi, et al.
Veröffentlicht: (2025)

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

Universally Converging Representations of Matter Across Scientific Foundation Models
von: Edamadaka, Sathya, et al.
Veröffentlicht: (2025)

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

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)

Active Learning for Conditional Inverse Design with Crystal Generation and Foundation Atomic Models
von: Li, Zhuoyuan, et al.
Veröffentlicht: (2025)

A Foundation Model for Non-Destructive Defect Identification from Vibrational Spectra
von: Cheng, Mouyang, et al.
Veröffentlicht: (2025)

CLOUD: A Scalable and Physics-Informed Foundation Model for Crystal Representation Learning
von: Xu, Changwen, et al.
Veröffentlicht: (2025)

Invariant Tokenization of Crystalline Materials for Language Model Enabled Generation
von: Yan, Keqiang, et al.
Veröffentlicht: (2025)

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

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

Regression with Large Language Models for Materials and Molecular Property Prediction
von: Jacobs, Ryan, et al.
Veröffentlicht: (2024)

Materials Learning Algorithms (MALA): Scalable Machine Learning for Electronic Structure Calculations in Large-Scale Atomistic Simulations
von: Cangi, Attila, et al.
Veröffentlicht: (2024)

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

Generating Symmetric Materials using Latent Flow Matching
von: Karmush, Anmar, et al.
Veröffentlicht: (2026)

Language Models Enable Data-Augmented Synthesis Planning for Inorganic Materials
von: Prein, Thorben, et al.
Veröffentlicht: (2025)

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

Periodic Materials Generation using Text-Guided Joint Diffusion Model
von: Das, Kishalay, et al.
Veröffentlicht: (2025)

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

Fine-Tuned Language Models Generate Stable Inorganic Materials as Text
von: Gruver, Nate, et al.
Veröffentlicht: (2024)

Large Language Model-Guided Prediction Toward Quantum Materials Synthesis
von: Okabe, Ryotaro, et al.
Veröffentlicht: (2024)

Are Foundational Atomistic Models Reliable for Finite-Temperature Molecular Dynamics?
von: Li, Denan, et al.
Veröffentlicht: (2025)