Buchumschlag

MATRIX: A Multimodal Benchmark and Post-Training Framework for Materials Science

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	McGrath, Delia, Chong, Curtis, Kulkarni, Rohil, Ceder, Gerbrand, Kolluru, Adeesh
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

AdsorbDiff: Adsorbate Placement via Conditional Denoising Diffusion
von: Kolluru, Adeesh, et al.
Veröffentlicht: (2024)

Beyond Force Metrics: Pre-Training MLFFs for Stable MD Simulations
von: Maheshwari, Shagun, et al.
Veröffentlicht: (2025)

From Molecules to Materials: Pre-training Large Generalizable Models for Atomic Property Prediction
von: Shoghi, Nima, et al.
Veröffentlicht: (2023)

DistMLIP: A Distributed Inference Platform for Machine Learning Interatomic Potentials
von: Han, Kevin, et al.
Veröffentlicht: (2025)

Nuisance Function Tuning and Sample Splitting for Optimally Estimating a Doubly Robust Functional
von: McGrath, Sean, et al.
Veröffentlicht: (2022)

Shifting the Gradient: Understanding How Defensive Training Methods Protect Language Model Integrity
von: Grant, Satchel, et al.
Veröffentlicht: (2026)

TorchSim: An efficient atomistic simulation engine in PyTorch
von: Cohen, Orion, et al.
Veröffentlicht: (2025)

Understanding sparse autoencoder scaling in the presence of feature manifolds
von: Michaud, Eric J., et al.
Veröffentlicht: (2025)

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

Optimal Nuisance Function Tuning for Estimating a Doubly Robust Functional under Proportional Asymptotics
von: McGrath, Sean, et al.
Veröffentlicht: (2025)

From Frege to chatGPT: Compositionality in language, cognition, and deep neural networks
von: Russin, Jacob, et al.
Veröffentlicht: (2024)

LEARNER: A Transfer Learning Method for Low-Rank Matrix Estimation
von: McGrath, Sean, et al.
Veröffentlicht: (2024)

Comparative Analysis of Large Language Model Inference Serving Systems: A Performance Study of vLLM and HuggingFace TGI
von: Kolluru, Saicharan
Veröffentlicht: (2025)

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

Beyond Atomic Geometry Representations in Materials Science: A Human-in-the-Loop Multimodal Framework
von: Polat, Can, et al.
Veröffentlicht: (2025)

A Framework for Leveraging Partially-Labeled Data for Product Attribute-Value Identification
von: Subhalingam, D., et al.
Veröffentlicht: (2024)

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

Agentic LLM Reasoning in a Self-Driving Laboratory for Air-Sensitive Lithium Halide Spinel Conductors
von: Fei, Yuxing, et al.
Veröffentlicht: (2026)

DPQ-HD: Post-Training Compression for Ultra-Low Power Hyperdimensional Computing
von: Pandey, Nilesh Prasad, et al.
Veröffentlicht: (2025)

Rethinking Post-Training Recipes for Multimodal Time-Series Forecasting
von: Liu, Haoxin, et al.
Veröffentlicht: (2026)

Lessons Jesuit Business Programs Can Learn from Chinese MBA Programs
von: Mary Ann McGrath
Veröffentlicht: (2016)

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

MRAMG-Bench: A Comprehensive Benchmark for Advancing Multimodal Retrieval-Augmented Multimodal Generation
von: Yu, Qinhan, et al.
Veröffentlicht: (2025)

Overcoming systematic softening in universal machine learning interatomic potentials by fine-tuning
von: Deng, Bowen, et al.
Veröffentlicht: (2024)

PTSBench: A Comprehensive Post-Training Sparsity Benchmark Towards Algorithms and Models
von: Wnag, Zining, et al.
Veröffentlicht: (2024)

Features as Rewards: Scalable Supervision for Open-Ended Tasks via Interpretability
von: Prasad, Aaditya Vikram, et al.
Veröffentlicht: (2026)

MegaScience: Pushing the Frontiers of Post-Training Datasets for Science Reasoning
von: Fan, Run-Ze, et al.
Veröffentlicht: (2025)

Learning-based estimation of cattle weight gain and its influencing factors
von: Hossain, Muhammad Riaz Hasib, et al.
Veröffentlicht: (2025)

Mob-based cattle weight gain forecasting using ML models
von: Hossain, Muhammad Riaz Hasib, et al.
Veröffentlicht: (2025)

Benchmarking Multi-Agent LLM Architectures for Financial Document Processing: A Comparative Study of Orchestration Patterns, Cost-Accuracy Tradeoffs and Production Scaling Strategies
von: Kulkarni, Siddhant, et al.
Veröffentlicht: (2026)

TouchFormer: A Robust Transformer-based Framework for Multimodal Material Perception
von: Lyu, Kailin, et al.
Veröffentlicht: (2025)

ResearchGPT: Benchmarking and Training LLMs for End-to-End Computer Science Research Workflows
von: Wang, Penghao, et al.
Veröffentlicht: (2025)

Leveraging Parameter Efficient Training Methods for Low Resource Text Classification: A Case Study in Marathi
von: Deshmukh, Pranita, et al.
Veröffentlicht: (2024)

The Reappearance of Rankings: Reliability, Validity, Explanation, Quality, and the Mission of Library and Information Science.
von: McGrath, William E.
Veröffentlicht: (1993)

Dr. Post-Training: A Data Regularization Perspective on LLM Post-Training
von: Hu, Pingbang, et al.
Veröffentlicht: (2026)

Post-Training Augmentation Invariance
von: Eikenberry, Keenan, et al.
Veröffentlicht: (2025)

Response: The Problem of Shifting Scientific Paradigms: On Avoiding Premature Closure of Questions in Science and Religion
von: Alister E. McGrath
Veröffentlicht: (2025)

Training Dynamics Impact Post-Training Quantization Robustness
von: Catalan-Tatjer, Albert, et al.
Veröffentlicht: (2025)

Benchmarking Post-Training Quantization in LLMs: Comprehensive Taxonomy, Unified Evaluation, and Comparative Analysis
von: Zhao, Jiaqi, et al.
Veröffentlicht: (2025)

Predicting BVD Re-emergence in Irish Cattle From Highly Imbalanced Herd-Level Data Using Machine Learning Algorithms
von: Mimnagh, Niamh, et al.
Veröffentlicht: (2025)