Buchumschlag

The carbon cost of materials discovery: Can machine learning really accelerate the discovery of new photovoltaics?

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Walker, Matthew, Butler, Keith T.
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

Learning disentangled latent representations facilitates discovery and design of functional materials
von: Cha, Jaehoon, et al.
Veröffentlicht: (2025)

Unleashing the power of novel conditional generative approaches for new materials discovery
von: Novitskiy, Lev, et al.
Veröffentlicht: (2024)

Optical materials discovery and design with federated databases and machine learning
von: Trinquet, Victor, et al.
Veröffentlicht: (2024)

Explainable machine learning to enable high-throughput electrical conductivity optimization and discovery of doped conjugated polymers
von: Yoon, Ji Wei, et al.
Veröffentlicht: (2023)

Data-driven active learning approaches for accelerating materials discovery
von: Chen, Jiaxin, et al.
Veröffentlicht: (2026)

Transfer learning discovery of molecular modulators for perovskite solar cells
von: Yan, Haoming, et al.
Veröffentlicht: (2025)

Accelerating superconductor discovery through tempered deep learning of the electron-phonon spectral function
von: Gibson, Jason B., et al.
Veröffentlicht: (2024)

AI-guided inverse design and discovery of recyclable vitrimeric polymers
von: Zheng, Yiwen, et al.
Veröffentlicht: (2023)

Discovering new photovoltaics using optimal transport theory
von: Walker, Matthew A. H., et al.
Veröffentlicht: (2026)

Phase discovery with active learning: Application to structural phase transitions in equiatomic NiTi
von: Vandermause, Jonathan, et al.
Veröffentlicht: (2024)

Reward driven discovery of the optimal microstructure representations with invariant variational autoencoders
von: Slautin, Boris N., et al.
Veröffentlicht: (2025)

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)

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

Machine learning accelerated discovery of corrosion-resistant high-entropy alloys
von: Zeng, Cheng, et al.
Veröffentlicht: (2023)

Sparse mixed linear modeling with anchor-based guidance for high-entropy alloy discovery
von: Murakami, Ryo, et al.
Veröffentlicht: (2025)

An autonomous living database for perovskite photovoltaics
von: Shabih, Sherjeel, et al.
Veröffentlicht: (2026)

Accelerating the discovery of low-energy structure configurations: a computational approach that integrates first-principles calculations, Monte Carlo sampling, and Machine Learning
von: Musa, Md Rajib Khan, et al.
Veröffentlicht: (2024)

LEAP: A closed-loop framework for perovskite precursor additive discovery
von: Wang, Xin-De, et al.
Veröffentlicht: (2026)

Beyond empirical models: Discovering new constitutive laws in solids with graph-based equation discovery
von: Xu, Hao, et al.
Veröffentlicht: (2025)

Consistent machine learning for topology optimization with microstructure-dependent neural network material models
von: Vijayakumaran, Harikrishnan, et al.
Veröffentlicht: (2024)

PATHFINDER: Multi-objective discovery in structural and spectral spaces
von: Barakati, Kamyar, et al.
Veröffentlicht: (2026)

Establishing Deep InfoMax as an effective self-supervised learning methodology in materials informatics
von: Moran, Michael, et al.
Veröffentlicht: (2024)

Accelerating the discovery of high-performance nonlinear optical materials using active learning and high-throughput screening
von: Trinquet, Victor, et al.
Veröffentlicht: (2025)

Machine-learning-accelerated discovery of synthesizable high-temperature altermagnets with giant spin splitting
von: Jiang, Yi-Fei, et al.
Veröffentlicht: (2026)

Materials discovery acceleration by using condition generative methodology
von: Ye, Caiyuan, et al.
Veröffentlicht: (2025)

AI-enhanced discovery and accelerated synthesis of metal phosphosulfides
von: Rodrigo, Javier Sanz, et al.
Veröffentlicht: (2026)

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

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

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

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

Screening 39 billion protostructures for materials discovery
von: Parackal, Abhijith S, et al.
Veröffentlicht: (2026)

Incorporating quasiparticle and excitonic properties into material discovery
von: Biswas, Tathagata, et al.
Veröffentlicht: (2024)

Machine learning driven search of hydrogen storage materials
von: Banerjee, Tanumoy, et al.
Veröffentlicht: (2025)

Machine learning for structure-guided materials and process design
von: Morand, Lukas, et al.
Veröffentlicht: (2023)

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

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

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

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

Predicting ionic conductivity in solids from the machine-learned potential energy landscape
von: Maevskiy, Artem, et al.
Veröffentlicht: (2024)