Buchumschlag

Advancing Magnetic Materials Discovery -- A structure-based machine learning approach for magnetic ordering and magnetic moment prediction

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Verma, Apoorv, Jami, Junaid, Bhattacharya, Amrita
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

Data-driven high-throughput search for the accelerated discovery of rare-earth-free permanent magnets
von: Jami, Junaid, et al.
Veröffentlicht: (2025)

Tailoring hard magnetic properties of Fe2MnSn Heusler alloy via interstitial modification: A first-principles approach
von: Jami, Junaid, et al.
Veröffentlicht: (2025)

Matbench Discovery -- A framework to evaluate machine learning crystal stability predictions
von: Riebesell, Janosh, et al.
Veröffentlicht: (2023)

Interpretable machine learning-guided design of Fe-based soft magnetic alloys
von: Nachnani, Aditi, et al.
Veröffentlicht: (2025)

Shotgun crystal structure prediction using machine-learned formation energies
von: Liu, Chang, et al.
Veröffentlicht: (2023)

Machine-learned models for magnetic materials
von: Leszczyński, Paweł, et al.
Veröffentlicht: (2023)

Accurate predictive model of band gap with selected important features based on explainable machine learning
von: Lee, Joohwi, et al.
Veröffentlicht: (2025)

Accelerating the prediction of inorganic surfaces with machine learning interatomic potentials
von: Noordhoek, Kyle, et al.
Veröffentlicht: (2023)

Thermodynamic assessment of machine learning models for solid-state synthesis prediction
von: Schlesinger, Jane, et al.
Veröffentlicht: (2026)

AlphaCrystal-II: Distance matrix based crystal structure prediction using deep learning
von: Song, Yuqi, et al.
Veröffentlicht: (2024)

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

Discovery of sustainable energy materials via the machine-learned material space
von: Grunert, Malte, et al.
Veröffentlicht: (2025)

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

A predictive machine learning force field framework for liquid electrolyte development
von: Gong, Sheng, et al.
Veröffentlicht: (2024)

Machine learning approach for vibronically renormalized electronic band structures
von: Aryal, Niraj, et al.
Veröffentlicht: (2024)

Multimodal machine learning with large language embedding model for polymer property prediction
von: Zhang, Tianren, et al.
Veröffentlicht: (2025)

Multi-Label Phase Diagram Prediction in Complex Alloys via Physics-Informed Graph Attention Networks
von: Park, Eunjeong, et al.
Veröffentlicht: (2026)

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

A machine learning platform for development of low flammability polymers
von: Phan, Duy Nhat, et al.
Veröffentlicht: (2025)

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)

High-throughput computation and machine learning modeling of magnetic moments and Mössbauer parameters for Fe-based intermetallics
von: Zhao, Bo, et al.
Veröffentlicht: (2025)

A simulation-based training framework for machine-learning applications in ARPES
von: Na, MengXing, et al.
Veröffentlicht: (2025)

A practical guide to machine learning interatomic potentials -- Status and future
von: Jacobs, Ryan, et al.
Veröffentlicht: (2025)

Revealing the dynamic responses of Pb under shock loading based on DFT-accuracy machine learning potential
von: Hou, Enze, et al.
Veröffentlicht: (2025)

Out-of-distribution materials property prediction using adversarial learning based fine-tuning
von: Li, Qinyang, et al.
Veröffentlicht: (2024)

Enhancing Materials Discovery with Valence Constrained Design in Generative Modeling
von: Cheng, Mouyang, 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)

Cross-functional transferability in universal machine learning interatomic potentials
von: Huang, Xu, et al.
Veröffentlicht: (2025)

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

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

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

Optimal design of experiments in the context of machine-learning inter-atomic potentials: improving the efficiency and transferability of kernel based methods
von: Barzdajn, Bartosz, et al.
Veröffentlicht: (2024)

Accurate, transferable, and verifiable machine-learned interatomic potentials for layered materials
von: Georgaras, Johnathan D., et al.
Veröffentlicht: (2025)

Lessons from the trenches on evaluating machine-learning systems in materials science
von: Alampara, Nawaf, et al.
Veröffentlicht: (2025)

Classification of magnetic order from electronic structure by using machine learning
von: Jang, Yerin, et al.
Veröffentlicht: (2023)

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)

Explainable AI for Curie Temperature Prediction in Magnetic Materials
von: Ajaib, M. Adeel, et al.
Veröffentlicht: (2025)

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