:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Park, Eunjeong, Basak, Amrita
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Materials Science
Online-Zugang:	https://arxiv.org/abs/2604.16468
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Accelerating CALPHAD-based Phase Diagram Predictions in Complex Alloys Using Universal Machine Learning Potentials: Opportunities and Challenges
von: Zhu, Siya, et al.
Veröffentlicht: (2024)

Elucidating microstructural influences on fatigue behavior for additively manufactured Hastelloy X using Bayesian-calibrated crystal plasticity model
von: Kushwaha, Ajay, et al.
Veröffentlicht: (2024)

Temperature Distribution Prediction in Laser Powder Bed Fusion using Transferable and Scalable Graph Neural Networks
von: Raut, Riddhiman, et al.
Veröffentlicht: (2024)

Physics-Informed Gaussian Process Classification for Constraint-Aware Alloy Design
von: Hardcastle, Christofer, et al.
Veröffentlicht: (2025)

Do Graph Neural Networks Work for High Entropy Alloys?
von: Zhang, Hengrui, et al.
Veröffentlicht: (2024)

Identifying Constitutive Parameters for Complex Hyperelastic Materials using Physics-Informed Neural Networks
von: Song, Siyuan, et al.
Veröffentlicht: (2023)

AlloyBERT: Alloy Property Prediction with Large Language Models
von: Chaudhari, Akshat, et al.
Veröffentlicht: (2024)

Symmetry-Informed Graph Neural Networks for Carbon Dioxide Isotherm and Adsorption Prediction in Aluminum-Substituted Zeolites
von: Petković, Marko, et al.
Veröffentlicht: (2025)

Physics-Informed Machine Learning for Steel Development: A Computational Framework and CCT Diagram Modelling
von: Hedström, Peter, et al.
Veröffentlicht: (2025)

Symmetry-Constrained Multi-Scale Physics-Informed Neural Networks for Graphene Electronic Band Structure Prediction
von: Lee, Wei Shan, et al.
Veröffentlicht: (2025)

Physically Consistent Machine Learning for Melting Temperature Prediction of Refractory High-Entropy Alloys
von: Hasnain, Mohd
Veröffentlicht: (2026)

Advancing Magnetic Materials Discovery -- A structure-based machine learning approach for magnetic ordering and magnetic moment prediction
von: Verma, Apoorv, et al.
Veröffentlicht: (2025)

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

Multiscale Graph Neural Network for Turbulent Flow-Thermal Prediction Around a Complex-Shaped Pin-Fin
von: Raut, Riddhiman, et al.
Veröffentlicht: (2025)

Kolmogorov-Arnold Neural Networks for High-Entropy Alloys Design
von: Bandyopadhyay, Yagnik, et al.
Veröffentlicht: (2024)

Graph Neural Network Prediction of Nonlinear Optical Properties
von: Alkabakibi, Yomn, et al.
Veröffentlicht: (2025)

Physics-Informed Neural Networks for Electrical Circuit Analysis: Applications in Dielectric Material Modeling
von: Taj, Reyhaneh
Veröffentlicht: (2024)

Graph Transformer Networks for Accurate Band Structure Prediction: An End-to-End Approach
von: Gong, Weiyi, et al.
Veröffentlicht: (2024)

Graph Neural Networks for Carbon Dioxide Adsorption Prediction in Aluminium-Exchanged Zeolites
von: Petković, Marko, et al.
Veröffentlicht: (2024)

Stress Predictions in Polycrystal Plasticity using Graph Neural Networks with Subgraph Training
von: Zhai, Hanfeng
Veröffentlicht: (2024)

Why Physics Still Matters: Improving Machine Learning Prediction of Material Properties with Phonon-Informed Datasets
von: Benítez, Pol, et al.
Veröffentlicht: (2025)

Physics-Informed Graph Neural Networks to Reconstruct Local Fields Considering Finite Strain Hyperelasticity
von: Garban, Manuel Ricardo Guevara, et al.
Veröffentlicht: (2025)

Uncertainty-Aware Machine-Learning Framework for Predicting Dislocation Plasticity and Stress-Strain Response in FCC Alloys
von: Luo, Jing, et al.
Veröffentlicht: (2025)

ADA-GNN: Atom-Distance-Angle Graph Neural Network for Crystal Material Property Prediction
von: Huang, Jiao, et al.
Veröffentlicht: (2024)

Identifying fatigue crack initiation through analytical calculation of temporal compliance calibrated with Computed Tomography
von: Pal, Ritam, et al.
Veröffentlicht: (2024)

Graph neural network framework for energy mapping of hybrid monte-carlo molecular dynamics simulations of Medium Entropy Alloys
von: Ehsan, Mashaekh Tausif, et al.
Veröffentlicht: (2024)

Hybrid Quantum Graph Neural Network for Molecular Property Prediction
von: Vitz, Michael, et al.
Veröffentlicht: (2024)

Training Variation of Physically-Informed Deep Learning Models
von: Lenau, Ashley, et al.
Veröffentlicht: (2025)

Supply Risk-Aware Alloy Discovery and Design
von: Mulukutla, Mrinalini, et al.
Veröffentlicht: (2024)

Industrial-scale Prediction of Cement Clinker Phases using Machine Learning
von: Fayaz, Sheikh Junaid, et al.
Veröffentlicht: (2024)

Autonomous Multi-objective Alloy Design through Simulation-guided Optimization
von: Yang, Penghui, et al.
Veröffentlicht: (2025)

Generalizable Prediction Model of Molten Salt Mixture Density with Chemistry-Informed Transfer Learning
von: Barra, Julian, et al.
Veröffentlicht: (2024)

Unsupervised Atomic Data Mining via Multi-Kernel Graph Autoencoders for Machine Learning Force Fields
von: Sun, Hong, et al.
Veröffentlicht: (2025)

Understanding the Capabilities of Molecular Graph Neural Networks in Materials Science Through Multimodal Learning and Physical Context Encoding
von: Polat, Can, et al.
Veröffentlicht: (2025)

Advanced Displacement Magnitude Prediction in Multi-Material Architected Lattice Structure Beams Using Physics Informed Neural Network Architecture
von: Mishra, Akshansh
Veröffentlicht: (2024)

Generalizability of Graph Neural Network Force Fields for Predicting Solid-State Properties
von: Mohanty, Shaswat, et al.
Veröffentlicht: (2024)

Topology-Informed Machine Learning for Efficient Prediction of Solid Oxide Fuel Cell Electrode Polarization
von: Szemer, Maksym, et al.
Veröffentlicht: (2024)

Complete and Efficient Graph Transformers for Crystal Material Property Prediction
von: Yan, Keqiang, et al.
Veröffentlicht: (2024)

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)

CLOUD: A Scalable and Physics-Informed Foundation Model for Crystal Representation Learning
von: Xu, Changwen, et al.
Veröffentlicht: (2025)