Buchumschlag

Clever Materials: When Models Identify Good Materials for the Wrong Reasons

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Jablonka, Kevin Maik
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Chemical Physics Materials Science Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Reducing cross-sample prediction churn in scientific machine learning
von: Prastalo, Gordan, et al.
Veröffentlicht: (2026)

General-Purpose Models for the Chemical Sciences: LLMs and Beyond
von: Alampara, Nawaf, et al.
Veröffentlicht: (2025)

Beyond Learning on Molecules by Weakly Supervising on Molecules
von: Prastalo, Gordan, et al.
Veröffentlicht: (2026)

Reflections from the 2024 Large Language Model (LLM) Hackathon for Applications in Materials Science and Chemistry
von: Zimmermann, Yoel, et al.
Veröffentlicht: (2024)

Discovery of 2D Materials via Symmetry-Constrained Diffusion Model
von: Xu, Shihang, et al.
Veröffentlicht: (2024)

Adapting OC20-trained EquiformerV2 Models for High-Entropy Materials
von: Clausen, Christian M., et al.
Veröffentlicht: (2024)

Knowledge-Reuse Transfer Learning Methods in Molecular and Material Science
von: Chen, An, et al.
Veröffentlicht: (2024)

Learning Ordering in Crystalline Materials with Symmetry-Aware Graph Neural Networks
von: Peng, Jiayu, et al.
Veröffentlicht: (2024)

Known Unknowns: Out-of-Distribution Property Prediction in Materials and Molecules
von: Segal, Nofit, et al.
Veröffentlicht: (2025)

Active Learning for Generalizable Detonation Performance Prediction of Energetic Materials
von: Ullberg, R. Seaton, et al.
Veröffentlicht: (2026)

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

Advancing Universal Deep Learning for Electronic-Structure Hamiltonian Prediction of Materials
von: Yin, Shi, et al.
Veröffentlicht: (2025)

Foundation Models for Discovery and Exploration in Chemical Space
von: Wadell, Alexius, et al.
Veröffentlicht: (2025)

Atomistic Modeling of Chemical Disorder in Materials: Bridging Classical Methods and AI-Assisted Approaches
von: Peng, Jiayu, et al.
Veröffentlicht: (2026)

Less can be more for predicting properties with large language models
von: Alampara, Nawaf, et al.
Veröffentlicht: (2024)

An Explainable AI Model for Binary LJ Fluids
von: Hashmi, Israrul H, et al.
Veröffentlicht: (2025)

Active Learning Enables Extrapolation in Molecular Generative Models
von: Antoniuk, Evan R., et al.
Veröffentlicht: (2025)

QT-Net: Rethinking Evaluation of AI Models in Atomic Chemical Space
von: Crespo, Pablo Martínez, et al.
Veröffentlicht: (2026)

Many-body Expansion Based Machine Learning Models for Octahedral Transition Metal Complexes
von: Meyer, Ralf, et al.
Veröffentlicht: (2024)

Building-Block Aware Generative Modeling for 3D Crystals of Metal Organic Frameworks
von: Duan, Chenru, et al.
Veröffentlicht: (2025)

Model-free quantification of completeness, uncertainties, and outliers in atomistic machine learning using information theory
von: Schwalbe-Koda, Daniel, et al.
Veröffentlicht: (2024)

Deep Learning for GWP Prediction: A Framework Using PCA, Quantile Transformation, and Ensemble Modeling
von: Rajapriya, Navin, et al.
Veröffentlicht: (2024)

Are large language models superhuman chemists?
von: Mirza, Adrian, et al.
Veröffentlicht: (2024)

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

Lessons from the trenches on evaluating machine-learning systems in materials science
von: Alampara, Nawaf, et al.
Veröffentlicht: (2025)

Manifold Diffusion for Structure Generation of Transition Metal Complexes
von: Schaufelberger, Luca, et al.
Veröffentlicht: (2026)

A chemical language model for reticular materials design
von: Menon, Dhruv, et al.
Veröffentlicht: (2026)

XANE(3): An E(3)-Equivariant Graph Neural Network for Accurate Prediction of XANES Spectra from Atomic Structures
von: Grizzi, Vitor F., et al.
Veröffentlicht: (2026)

Inverse Design of Inorganic Compounds with Generative AI
von: Kneiding, Hannes, et al.
Veröffentlicht: (2026)

Beyond the Black Box: An Interpretable Machine Learning Framework for Predicting Electronic Structure Microdescriptors and Structure-Performance Relationships in Fe-based Catalytic Systems
von: Romiluyi, Oyinkansola
Veröffentlicht: (2026)

Cutting Through the Noise: On-the-fly Outlier Detection for Robust Training of Machine Learning Interatomic Potentials
von: Lam, Terry C. W., et al.
Veröffentlicht: (2026)

Better without U: Impact of Selective Hubbard U Correction on Foundational MLIPs
von: Warford, Thomas, et al.
Veröffentlicht: (2026)

Orbital Transformers for Predicting Wavefunctions in Time-Dependent Density Functional Theory
von: Zhang, Xuan, et al.
Veröffentlicht: (2026)

Learning the action for long-time-step simulations of molecular dynamics
von: Bigi, Filippo, et al.
Veröffentlicht: (2025)

The Open DAC 2025 Dataset for Sorbent Discovery in Direct Air Capture
von: Sriram, Anuroop, et al.
Veröffentlicht: (2025)

Transferable Learning of Reaction Pathways from Geometric Priors
von: Nam, Juno, et al.
Veröffentlicht: (2025)

Comparing the latent features of universal machine-learning interatomic potentials
von: Chorna, Sofiia, et al.
Veröffentlicht: (2025)

Kernel Learning Assisted Synthesis Condition Exploration for Ternary Spinel
von: Liu, Yutong, et al.
Veröffentlicht: (2025)

Vibrational Fingerprints of Strained Polymers: A Spectroscopic Pathway to Mechanical State Prediction
von: Konrad, Julian, et al.
Veröffentlicht: (2025)

Leveraging Data Mining, Active Learning, and Domain Adaptation in a Multi-Stage, Machine Learning-Driven Approach for the Efficient Discovery of Advanced Acidic Oxygen Evolution Electrocatalysts
von: Ding, Rui, et al.
Veröffentlicht: (2024)