Buchumschlag

Bayesian Optimization for Mixed-Variable Problems in the Natural Sciences

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhang, Yuhao, John, Ti, Stosiek, Matthias, Rinke, Patrick
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Materials Science Computational Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Multi-Variable Batch Bayesian Optimization in Materials Research: Synthetic Data Analysis of Noise Sensitivity and Problem Landscape Effects
von: Mia, Imon, et al.
Veröffentlicht: (2025)

Continuous PT-Symmetry Breaking as a Design Variable for Giant Altermagnetic Spin Splitting
von: Chun, Kichan, et al.
Veröffentlicht: (2026)

On-the-Fly Fine-Tuning of Foundational Neural Network Potentials: A Bayesian Neural Network Approach
von: Rensmeyer, Tim, et al.
Veröffentlicht: (2025)

Role of photonic interference in exciton-mediated magneto-optic responses
von: Budak, Güven, et al.
Veröffentlicht: (2026)

Efficient dataset generation for machine learning perovskite alloys
von: Homm, Henrietta, et al.
Veröffentlicht: (2025)

Honegumi: An Interface for Accelerating the Adoption of Bayesian Optimization in the Experimental Sciences
von: Baird, Sterling G., et al.
Veröffentlicht: (2025)

Machine Learning Accelerated Descriptor Design for Catalyst Discovery in CO$_2$ to Methanol Conversion
von: Pisal, Prajwal, et al.
Veröffentlicht: (2024)

Refining Coarse-Grained Molecular Topologies: A Bayesian Optimization Approach
von: Ray, Pranoy, et al.
Veröffentlicht: (2025)

When More Data Hurts: Optimizing Data Coverage While Mitigating Diversity Induced Underfitting in an Ultra-Fast Machine-Learned Potential
von: Gibson, Jason B., et al.
Veröffentlicht: (2024)

Applying Multi-Fidelity Bayesian Optimization in Chemistry: Open Challenges and Major Considerations
von: Judge, Edmund, et al.
Veröffentlicht: (2024)

ComProScanner: A multi-agent based framework for composition-property structured data extraction from scientific literature
von: Roy, Aritra, et al.
Veröffentlicht: (2025)

Rapid Discovery of Graphene Nanocrystals Using DFT and Bayesian Optimization with Neural Network Kernel
von: Özönder, Şener, et al.
Veröffentlicht: (2022)

Design Rules for Optimizing Quaternary Mixed-Metal Chalcohalides
von: Henkel, Pascal, et al.
Veröffentlicht: (2025)

The Northeast Materials Database for Magnetic Materials
von: Itani, Suman, et al.
Veröffentlicht: (2024)

Learning Potential Energy Surfaces of Hydrogen Atom Transfer Reactions in Peptides
von: Neubert, Marlen, et al.
Veröffentlicht: (2025)

The OpenLAM Challenges
von: Peng, Anyang, et al.
Veröffentlicht: (2025)

Towards Harmonization of SO(3)-Equivariance and Expressiveness: a Hybrid Deep Learning Framework for Electronic-Structure Hamiltonian Prediction
von: Yin, Shi, et al.
Veröffentlicht: (2024)

Discovering High-Strength Alloys via Physics-Transfer Learning
von: Zhao, Yingjie, et al.
Veröffentlicht: (2024)

Automated design of nonreciprocal thermal emitters via Bayesian optimization
von: Do, Bach, et al.
Veröffentlicht: (2024)

Predicting Organic-Inorganic Halide Perovskite Photovoltaic Performance from Optical Properties of Constituent Films through Machine Learning
von: Zhang, Ruiqi, et al.
Veröffentlicht: (2024)

Unifying Mixed Gas Adsorption in Molecular Sieve Membranes and MOFs using Machine Learning
von: Dasgupta, Subhadeep, et al.
Veröffentlicht: (2024)

A predictive machine learning force field framework for liquid electrolyte development
von: Gong, Sheng, et al.
Veröffentlicht: (2024)

CrystalREPA: Transferring Physical Priors from Universal MLIPs to Crystal Generative Models
von: Zhang, Chengqian, et al.
Veröffentlicht: (2026)

Enhancing Diffusion-Based Sampling with Molecular Collective Variables
von: Nam, Juno, et al.
Veröffentlicht: (2025)

A comparative study of transformer models and recurrent neural networks for path-dependent composite materials
von: Uvdal, Petter, et al.
Veröffentlicht: (2026)

Physics-informed neural operator for predictive parametric phase-field modelling
von: Chen, Nanxi, et al.
Veröffentlicht: (2026)

Lang2MLIP: End-to-End Language-to-Machine Learning Interatomic Potential Development with Autonomous Agentic Workflows
von: Li, Wenwen, et al.
Veröffentlicht: (2026)

Mixture of Experts Framework in Machine Learning Interatomic Potentials for Atomistic Simulations
von: Nascimento, Gabriel de Miranda, et al.
Veröffentlicht: (2026)

Surface Stability Modeling with Universal Machine Learning Interatomic Potentials: A Comprehensive Cleavage Energy Benchmarking Study
von: Mehdizadeh, Ardavan, et al.
Veröffentlicht: (2025)

Flow Matching for Accelerated Simulation of Atomic Transport in Crystalline Materials
von: Nam, Juno, et al.
Veröffentlicht: (2024)

Reinforcement Learning for Chemical Ordering in Alloy Nanoparticles
von: Elsborg, Jonas, et al.
Veröffentlicht: (2025)

Stress and heat flux via automatic differentiation
von: Langer, Marcel F., et al.
Veröffentlicht: (2023)

Are Foundational Atomistic Models Reliable for Finite-Temperature Molecular Dynamics?
von: Li, Denan, et al.
Veröffentlicht: (2025)

Machine-Learned Atomic Cluster Expansion Potentials for Fast and Quantum-Accurate Thermal Simulations of Wurtzite AlN
von: Yang, Guang, et al.
Veröffentlicht: (2023)

A Comparative Study of Machine Learning Models Predicting Energetics of Interacting Defects
von: Yu, Hao
Veröffentlicht: (2024)

Higher-Order Equivariant Neural Networks for Charge Density Prediction in Materials
von: Koker, Teddy, et al.
Veröffentlicht: (2023)

Response Matching for generating materials and molecules
von: Cheng, Bingqing
Veröffentlicht: (2024)

Path-integral molecular dynamics with actively-trained and universal machine learning force fields
von: Solovykh, A. A., et al.
Veröffentlicht: (2025)

SA-GAT-SR: Self-Adaptable Graph Attention Networks with Symbolic Regression for high-fidelity material property prediction
von: Liu, Junchi, et al.
Veröffentlicht: (2025)

Knowledge Distillation Framework for Accelerating High-Accuracy Neural Network-Based Molecular Dynamics Simulations
von: Matsumura, Naoki, et al.
Veröffentlicht: (2025)