Buchumschlag

TXL Fusion: A Hybrid Machine Learning Framework Integrating Chemical Heuristics and Large Language Models for Topological Materials Discovery

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ullah, Arif, Islam, Rajibul, Hussain, Ghulam, Muhammad, Zahir, Li, Xiaoguang, Yang, Ming
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Materials Science
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Quantum-inspired Chemical Rule for Discovering Topological Materials
von: Xu, Xinyu, et al.
Veröffentlicht: (2025)

A Physics-Informed Chemical Rule for Topological Materials Discovery
von: Xu, Xinyu, et al.
Veröffentlicht: (2026)

Switchable large-gap quantum spin Hall state in two-dimensional MSi$_2$Z$_4$ materials class
von: Islam, Rajibul, et al.
Veröffentlicht: (2022)

Spin-orbit torque switching of Néel order in band-inverted antiferromagnetic bilayer MnBi$_2$Te$_4$
von: Islam, Rajibul, et al.
Veröffentlicht: (2025)

Strain Modulated Electronic and Optical Properties of Laterally Stitched MoSi2N4/XSi2N4 (X=W, Ti) 2D Heterostructures
von: Hussain, Ghulam, et al.
Veröffentlicht: (2022)

Self‐Assembled Monolayers in p–i–n Perovskite Solar Cells: Molecular Design, Interfacial Engineering, and Machine Learning–Accelerated Material Discovery
von: Asmat Ullah, et al.
Veröffentlicht: (2026)

Enhancing Magnetocaloric Material Discovery: A Machine Learning Approach Using an Autogenerated Database by Large Language Models
von: Yuan, Jiaoyue, et al.
Veröffentlicht: (2024)

A Chemically Grounded Evaluation Framework for Generative Models in Materials Discovery
von: Veillon, Elohan, et al.
Veröffentlicht: (2025)

Machine Learning on Multiple Topological Materials Datasets
von: He, Yuqing, et al.
Veröffentlicht: (2025)

Machine Learning-Guided Discovery of Temperature-Induced Solid-Solid Phase Transitions in Inorganic Materials
von: López, Cibrán, et al.
Veröffentlicht: (2025)

Toward Quantum-Aware Machine Learning: Improved Prediction of Quantum Dissipative Dynamics via Complex Valued Neural Networks
von: Atif, Muhammad, et al.
Veröffentlicht: (2026)

A Materials Map Integrating Experimental and Computational Data via Graph-Based Machine Learning for Enhanced Materials Discovery
von: Hashimoto, Yusuke, et al.
Veröffentlicht: (2025)

Agentic AI and Machine Learning for Accelerated Materials Discovery and Applications
von: Chen, Jihua, et al.
Veröffentlicht: (2026)

Materials Discovery With Quantum-Enhanced Machine Learning Algorithms
von: Graña, Ignacio F., et al.
Veröffentlicht: (2025)

Decoratypes: An Extensible Crystal Taxonomy for Machine Learning-Guided Materials Discovery
von: Miller, Kyle D., et al.
Veröffentlicht: (2025)

Generative Chemical Language Models for Energetic Materials Discovery
von: Salij, Andrew, et al.
Veröffentlicht: (2026)

Agentic Fusion of Large Atomic and Language Models to Accelerate Superconductor Discovery
von: Li, Mingze, et al.
Veröffentlicht: (2026)

A Data-driven Framework to Accelerate the Discovery of Hybrid Cathode Materials for Metal-based Batteries
von: Biby, Ahmed H., et al.
Veröffentlicht: (2024)

Beyond Predicted ZT: Machine Learning Strategies for the Experimental Discovery of Thermoelectric Materials
von: Athar, Shoeb, et al.
Veröffentlicht: (2026)

Active Learning Driven Materials Discovery for Low Thermal Conductivity Rare-Earth Pyrochlore for Thermal Barrier Coatings
von: Chowdhury, Amiya, et al.
Veröffentlicht: (2025)

From Model to Material: Machine Learning Enabled Discovery of LED‐Compatible Phosphors
von: Nakyung Lee, et al.
Veröffentlicht: (2025)

LLM-Fusion: A Novel Multimodal Fusion Model for Accelerated Material Discovery
von: Boyar, Onur, et al.
Veröffentlicht: (2025)

LLMatDesign: Autonomous Materials Discovery with Large Language Models
von: Jia, Shuyi, et al.
Veröffentlicht: (2024)

Machine Learning for Accelerating Energy Materials Discovery: Bridging Quantum Accuracy with Computational Efficiency
von: Kwang S. Kim
Veröffentlicht: (2025)

Semantic Embeddings of Chemical Elements for Enhanced Materials Inference and Discovery
von: Yunze Jia, et al.
Veröffentlicht: (2026)

Machine Learning - Driven Materials Discovery: Unlocking Next-Generation Functional Materials - A review
von: Nematov, Dilshod, et al.
Veröffentlicht: (2025)

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

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

Accelerating Complex Materials Discovery with Universal Machine-Learning Potential-Driven Structure Prediction
von: An, Yuqi, et al.
Veröffentlicht: (2026)

Discovery of a hybrid topological quantum state in an elemental solid
von: Hossain, Md Shafayat, et al.
Veröffentlicht: (2024)

Remarkable Optoelectronic Characteristics of Synthesizable Square‐Octagon Haeckelite Structures: Machine Learning Materials Discovery
von: Ehsan Alibagheri, et al.
Veröffentlicht: (2024)

Hybrid Framework Materials: Next‐Generation Engineering Materials
von: Jay McCarron, et al.
Veröffentlicht: (2025)

Biomimetic Intelligent Thermal Management Materials: From Nature‐Inspired Design to Machine‐Learning‐Driven Discovery
von: Heng Zhang, et al.
Veröffentlicht: (2025)

Foundation-Model Surrogates Enable Data-Efficient Active Learning for Materials Discovery
von: Hu, Jeffrey, et al.
Veröffentlicht: (2026)

Molecular Quantum Chemical Data Sets and Databases for Machine Learning Potentials
von: Ullah, Arif, et al.
Veröffentlicht: (2024)

TopoMAS: Large Language Model Driven Topological Materials Multiagent System
von: Zhang, Baohua, et al.
Veröffentlicht: (2025)

Semantic Embeddings of Chemical Elements for Enhanced Materials Inference and Discovery
von: Jia, Yunze, et al.
Veröffentlicht: (2025)

Active Learning Guided Computational Discovery of 2D Materials with Large Spin Hall Conductivity
von: Kale, Abhijeet J., et al.
Veröffentlicht: (2025)

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

A Machine Learning Framework for Modeling Ensemble Properties of Atomically Disordered Materials
von: Fang, Zhenyao, et al.
Veröffentlicht: (2025)