Buchumschlag

Mechanisms of Matter: Language Inferential Benchmark on Physicochemical Hypothesis in Materials Synthesis

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Pu, Yingming, Lin, Tao, Chen, Hongyu
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

PriM: Principle-Inspired Material Discovery through Multi-Agent Collaboration
von: Lai, Zheyuan, et al.
Veröffentlicht: (2025)

PiFlow: Principle-Aware Scientific Discovery with Multi-Agent Collaboration
von: Pu, Yingming, et al.
Veröffentlicht: (2025)

Principle-Evolvable Scientific Discovery via Uncertainty Minimization
von: Pu, Yingming, et al.
Veröffentlicht: (2026)

Leveraging large language models for nano synthesis mechanism explanation: solid foundations or mere conjectures?
von: Pu, Yingming, et al.
Veröffentlicht: (2024)

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

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

Benchmarking GNNs for OOD Materials Property Prediction with Uncertainty Quantification
von: Tan, Liqin, et al.
Veröffentlicht: (2025)

Mechanics and Design of Metastructured Auxetic Patches with Bio-inspired Materials
von: Chen, Yingbin, et al.
Veröffentlicht: (2025)

MatQnA: A Benchmark Dataset for Multi-modal Large Language Models in Materials Characterization and Analysis
von: Weng, Yonghao, et al.
Veröffentlicht: (2025)

MADE: Benchmark Environments for Closed-Loop Materials Discovery
von: Malik, Shreshth A, et al.
Veröffentlicht: (2026)

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

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

Why Physics Still Matters: Improving Machine Learning Prediction of Material Properties with Phonon-Informed Datasets
von: Benítez, Pol, et al.
Veröffentlicht: (2025)

Functional Unit: A New Perspective on Materials Science Research Paradigms
von: Ye, Caichao, et al.
Veröffentlicht: (2025)

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

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

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

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

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

From Text to Insight: Large Language Models for Materials Science Data Extraction
von: Schilling-Wilhelmi, Mara, et al.
Veröffentlicht: (2024)

PLaID++: A Preference Aligned Language Model for Targeted Inorganic Materials Design
von: Xu, Andy, et al.
Veröffentlicht: (2025)

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

CrysToGraph: A Comprehensive Predictive Model for Crystal Materials Properties and the Benchmark
von: Wang, Hongyi, et al.
Veröffentlicht: (2024)

Role of Large Language Models and Retrieval-Augmented Generation for Accelerating Crystalline Material Discovery: A Systematic Review
von: Oche, Agada Joseph, et al.
Veröffentlicht: (2025)

PolyMicros: Bootstrapping a Foundation Model for Polycrystalline Material Structure
von: Buzzy, Michael, et al.
Veröffentlicht: (2025)

DiffSyn: A Generative Diffusion Approach to Materials Synthesis Planning
von: Pan, Elton, et al.
Veröffentlicht: (2025)

MatWheel: Addressing Data Scarcity in Materials Science Through Synthetic Data
von: Li, Wentao, et al.
Veröffentlicht: (2025)

Adaptive AI-Driven Material Synthesis: Towards Autonomous 2D Materials Growth
von: Sabattini, Leonardo, et al.
Veröffentlicht: (2024)

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

Predicting Mechanical Properties from Microstructure Images in Fiber-reinforced Polymers using Convolutional Neural Networks
von: Sun, Yixuan, et al.
Veröffentlicht: (2020)

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

FlowLLM: Flow Matching for Material Generation with Large Language Models as Base Distributions
von: Sriram, Anuroop, et al.
Veröffentlicht: (2024)

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

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)

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

Open Materials Generation with Stochastic Interpolants
von: Hoellmer, Philipp, et al.
Veröffentlicht: (2025)

Materium: An Autoregressive Approach for Material Generation
von: Dobberstein, Niklas, et al.
Veröffentlicht: (2025)

Structural and mechanical properties of W-Cu compounds characterized by a neural-network-based potential
von: Liu, Jianchuan, et al.
Veröffentlicht: (2025)

Compositional Representation of Polymorphic Crystalline Materials
von: Lee, Namkyeong, et al.
Veröffentlicht: (2023)

A General Neural Network Potential for Energetic Materials with C, H, N, and O elements
von: Wen, Mingjie, et al.
Veröffentlicht: (2025)