Buchumschlag

Synthesizability Prediction of Crystalline Structures with a Hierarchical Transformer and Uncertainty Quantification

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ebrahimzadeh, Danial, Sharif, Sarah, Banad, Yaser Mike
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

Accelerated Discovery of Vanadium Oxide Compositions: A WGAN-VAE Framework for Materials Design
von: Ebrahimzadeh, Danial, et al.
Veröffentlicht: (2025)

Machine learning model for predicting surface wettability in laser-textured metal alloys
von: Sanandaji, Mohammad Mohammadzadeh, et al.
Veröffentlicht: (2026)

On-Chip Learning with Memristor-Based Neural Networks: Assessing Accuracy and Efficiency Under Device Variations, Conductance Errors, and Input Noise
von: Eslami, M. Reza, et al.
Veröffentlicht: (2024)

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

A Cloud-Edge Framework for Energy-Efficient Event-Driven Control: An Integration of Online Supervised Learning, Spiking Neural Networks and Local Plasticity Rules
von: Ahmadvand, Reza, et al.
Veröffentlicht: (2024)

Emerging 2D Materials for Beyond von Neumann Computing: A Perspective
von: Banad, Yaser
Veröffentlicht: (2026)

SynCoTrain: A Dual Classifier PU-learning Framework for Synthesizability Prediction
von: Amariamir, Sasan, et al.
Veröffentlicht: (2024)

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

A Comparative Study of Sampling Methods with Cross-Validation in the FedHome Framework
von: Ahmadi, Arash, et al.
Veröffentlicht: (2024)

Accurate and Uncertainty-Aware Multi-Task Prediction of HEA Properties Using Prior-Guided Deep Gaussian Processes
von: Alvi, Sk Md Ahnaf Akif, et al.
Veröffentlicht: (2025)

Uncertainty Quantification in Multivariable Regression for Material Property Prediction with Bayesian Neural Networks
von: Li, Longze, et al.
Veröffentlicht: (2023)

When Active Learning Fails, Uncalibrated Out of Distribution Uncertainty Quantification Might Be the Problem
von: Dale, Ashley S., et al.
Veröffentlicht: (2025)

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

Model Accuracy and Data Heterogeneity Shape Uncertainty Quantification in Machine Learning Interatomic Potentials
von: Shuang, Fei, et al.
Veröffentlicht: (2025)

Predictive Modeling and Uncertainty Quantification of Fatigue Life in Metal Alloys using Machine Learning
von: Chang, Jiang, et al.
Veröffentlicht: (2025)

ReciNet: Reciprocal Space-Aware Long-Range Modeling for Crystalline Property Prediction
von: Nie, Jianan, et al.
Veröffentlicht: (2025)

Space Group Informed Transformer for Crystalline Materials Generation
von: Cao, Zhendong, et al.
Veröffentlicht: (2024)

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

Graph Transformer Networks for Accurate Band Structure Prediction: An End-to-End Approach
von: Gong, Weiyi, et al.
Veröffentlicht: (2024)

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

Physically-Constrained Autoencoder-Assisted Bayesian Optimization for Refinement of High-Dimensional Defect-Sensitive Single Crystalline Structure
von: Agada, Joseph Oche, et al.
Veröffentlicht: (2025)

Predicting Atomistic Transitions with Transformers
von: Tischler, Henry, et al.
Veröffentlicht: (2026)

Design of Tunable Perfect Absorbers in the Mid-IR Spectrum Using Graphene-Based Multilayer Structures: Emerging Applications in Atmospheric Window Matching
von: Nazari, Masoumeh, et al.
Veröffentlicht: (2024)

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

Equivariant Diffusion for Crystal Structure Prediction
von: Lin, Peijia, et al.
Veröffentlicht: (2025)

Complete and Efficient Graph Transformers for Crystal Material Property Prediction
von: Yan, Keqiang, et al.
Veröffentlicht: (2024)

Crystal Structure Prediction by Joint Equivariant Diffusion
von: Jiao, Rui, et al.
Veröffentlicht: (2023)

Uncertainty-Aware Machine-Learning Framework for Predicting Dislocation Plasticity and Stress-Strain Response in FCC Alloys
von: Luo, Jing, et al.
Veröffentlicht: (2025)

Supply Risk-Aware Alloy Discovery and Design
von: Mulukutla, Mrinalini, et al.
Veröffentlicht: (2024)

Generative Inverse Design of Crystal Structures via Diffusion Models with Transformers
von: Takahara, Izumi, 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)

OXtal: An All-Atom Diffusion Model for Organic Crystal Structure Prediction
von: Jin, Emily, et al.
Veröffentlicht: (2025)

Polymorphism Crystal Structure Prediction with Adaptive Space Group Diversity Control
von: Omee, Sadman Sadeed, et al.
Veröffentlicht: (2025)

ContinuouSP: Generative Model for Crystal Structure Prediction with Invariance and Continuity
von: Tone, Yuji, et al.
Veröffentlicht: (2025)

Challenges in Non-Polymeric Crystal Structure Prediction: Why a Geometric, Permutation-Invariant Loss is Needed
von: Jehanno, Emmanuel, et al.
Veröffentlicht: (2025)

CRYSIM: Prediction of Symmetric Structures of Large Crystals with GPU-based Ising Machines
von: Liang, Chen, et al.
Veröffentlicht: (2025)

MolCrystalFlow: Molecular Crystal Structure Prediction via Flow Matching
von: Zeng, Cheng, et al.
Veröffentlicht: (2026)

Universal Magnetic Structure Prediction from Atomic Coordinates with Near-Experimental Accuracy
von: Chotrattanapituk, Abhijatmedhi, et al.
Veröffentlicht: (2026)

Enhancing Spatial Reasoning in Large Language Models for Metal-Organic Frameworks Structure Prediction
von: Pan, Mianzhi, et al.
Veröffentlicht: (2026)

Accurate Crystal Structure Prediction of New 2D Hybrid Organic Inorganic Perovskites
von: Karimitari, Nima, et al.
Veröffentlicht: (2024)