Buchumschlag

From data to design: Random forest regression model for predicting mechanical properties of alloy steel

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Sinha, Samjukta, Das, Prabhat
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Materials Science Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

aLLoyM: A large language model for alloy phase diagram prediction
von: Oikawa, Yuna, et al.
Veröffentlicht: (2025)

MatterGen: a generative model for inorganic materials design
von: Zeni, Claudio, et al.
Veröffentlicht: (2023)

A large-scale nanocrystal database with aligned synthesis and properties enabling generative inverse design
von: Gu, Kai, et al.
Veröffentlicht: (2026)

Molecular topological deep learning for polymer property prediction
von: Shen, Cong, et al.
Veröffentlicht: (2024)

Beyond designer's knowledge: Generating materials design hypotheses via large language models
von: Liu, Quanliang, et al.
Veröffentlicht: (2024)

CAST: Cross Attention based multimodal fusion of Structure and Text for materials property prediction
von: Lee, Jaewan, et al.
Veröffentlicht: (2025)

Towards knowledge-based workflows: a semantic approach to atomistic simulations for mechanical and thermodynamic properties
von: Guzman, Abril Azocar, et al.
Veröffentlicht: (2026)

Benchmarking bandgap prediction in semiconductors under experimental and realistic evaluation settings
von: Wang, Haolin, et al.
Veröffentlicht: (2026)

Chemical reasoning in LLMs unlocks strategy-aware synthesis planning and reaction mechanism elucidation
von: Bran, Andres M, et al.
Veröffentlicht: (2025)

AI-driven inverse design of materials: Past, present and future
von: Han, Xiao-Qi, et al.
Veröffentlicht: (2024)

A generative artificial intelligence framework based on a molecular diffusion model for the design of metal-organic frameworks for carbon capture
von: Park, Hyun, et al.
Veröffentlicht: (2023)

From Text to Test: AI-Generated Control Software for Materials Science Instruments
von: Fébba, Davi M, et al.
Veröffentlicht: (2024)

From Data to Theory: Autonomous Large Language Model Agents for Materials Science
von: Alfred, Samuel Onimpa, et al.
Veröffentlicht: (2026)

From Phase Prediction to Phase Design: A ReAct Agent Framework for High-Entropy Alloy Discovery
von: Peivaste, Iman, et al.
Veröffentlicht: (2026)

From Knowledge to Action: Outcomes of the 2025 Large Language Model (LLM) Hackathon for Applications in Materials Science and Chemistry
von: Roy, Aritra, et al.
Veröffentlicht: (2026)

Ontology-aligned structuring and reuse of multimodal materials data and workflows towards automatic reproduction
von: Ravari, Sepideh Baghaee, et al.
Veröffentlicht: (2026)

AI-ready design of realistic 2D materials and interfaces with Mat3ra-2D
von: Biryukov, Vsevolod, et al.
Veröffentlicht: (2026)

QMBench: A Research Level Benchmark for Quantum Materials Research
von: Wang, Yanzhen, et al.
Veröffentlicht: (2025)

Perovskite-R1: a domain-specialized large language model for intelligent discovery of precursor additives and experimental design
von: Wang, Xin-De, et al.
Veröffentlicht: (2025)

Predicting Stress in Two-phase Random Materials and Super-Resolution Method for Stress Images by Embedding Physical Information
von: Xing, Tengfei, et al.
Veröffentlicht: (2025)

Ontology-based knowledge graph infrastructure for interoperable atomistic simulation data
von: Guzman, Abril Azocar, et al.
Veröffentlicht: (2026)

Global Stress Generation and Spatiotemporal Super-Resolution Physics-Informed Operator under Dynamic Loading for Two-Phase Random Materials
von: Xing, Tengfei, et al.
Veröffentlicht: (2025)

InvDesFlow-AL: active learning-based workflow for inverse design of functional materials
von: Han, Xiao-Qi, et al.
Veröffentlicht: (2025)

LLM Meets Diffusion: A Hybrid Framework for Crystal Material Generation
von: Khastagir, Subhojyoti, et al.
Veröffentlicht: (2025)

DSC curve fingerprints directly encode mechanical properties of aluminum alloys
von: Pichlmann, Lukas, et al.
Veröffentlicht: (2026)

MEIDNet: Multimodal generative AI framework for inverse materials design
von: Babu, Anand, et al.
Veröffentlicht: (2026)

InvDesFlow: An AI-driven materials inverse design workflow to explore possible high-temperature superconductors
von: Han, Xiao-Qi, et al.
Veröffentlicht: (2024)

Fine-tuning large language models for domain adaptation: Exploration of training strategies, scaling, model merging and synergistic capabilities
von: Lu, Wei, et al.
Veröffentlicht: (2024)

From Experiments to Expertise: Scientific Knowledge Consolidation for AI-Driven Computational Research
von: Huang, Haonan
Veröffentlicht: (2026)

An assessment of mechanism-based plasticity models for polycrystalline magnesium alloys
von: Vigneshwaran, R., et al.
Veröffentlicht: (2026)

Modeling the effects of varying Ti concentration on the mechanical properties of Cu-Ti alloys
von: Fotopoulos, Vasileios, et al.
Veröffentlicht: (2023)

A molecular dynamics investigation of the dependence of mechanical properties of steel nanowires on C concentration
von: Liyanage, J. K., et al.
Veröffentlicht: (2025)

Benchmarking large language models for materials synthesis: the case of atomic layer deposition
von: Yanguas-Gil, Angel, et al.
Veröffentlicht: (2024)

DREAMS: Density Functional Theory Based Research Engine for Agentic Materials Simulation
von: Wang, Ziqi, et al.
Veröffentlicht: (2025)

AI-Driven Expansion and Application of the Alexandria Database
von: Cavignac, Théo, et al.
Veröffentlicht: (2025)

The Rise of Generative AI for Metal-Organic Framework Design and Synthesis
von: Duan, Chenru, et al.
Veröffentlicht: (2025)

A probabilistic framework for crystal structure denoising, phase classification, and order parameters
von: Kwon, Hyuna, et al.
Veröffentlicht: (2025)

AGAPI-Agents: An Open-Access Agentic AI Platform for Accelerated Materials Design on AtomGPT.org
von: Lee, Jaehyung, et al.
Veröffentlicht: (2025)

An Agentic Framework for Autonomous Materials Computation
von: Xia, Zeyu, et al.
Veröffentlicht: (2025)

MATAI: A Generalist Machine Learning Framework for Property Prediction and Inverse Design of Advanced Alloys
von: Deng, Yanchen, et al.
Veröffentlicht: (2025)