Buchumschlag

Accelerating Quantum Materials Characterization: Hybrid Active Learning for Autonomous Spin Wave Spectroscopy

Fuente: arXiv

Gespeichert in:

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

Ähnliche Einträge

Accelerating the Training and Improving the Reliability of Machine-Learned Interatomic Potentials for Strongly Anharmonic Materials through Active Learning
von: Kang, Kisung, et al.
Veröffentlicht: (2024)

Quantum Kernel Machine Learning for Autonomous Materials Science
von: Adams, Felix, et al.
Veröffentlicht: (2026)

A Critical Examination of Active Learning Workflows in Materials Science
von: Nair, Akhil S., et al.
Veröffentlicht: (2026)

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

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

Extended Low-Rank Approximation Accelerates Learning of Elastic Response in Heterogeneous Materials
von: Karmakar, Prabhat, et al.
Veröffentlicht: (2025)

Bayesian Co-navigation: Dynamic Designing of the Materials Digital Twins via Active Learning
von: Slautin, Boris N., et al.
Veröffentlicht: (2024)

Accelerating Quantum Emitter Characterization with Latent Neural Ordinary Differential Equations
von: Proppe, Andrew H., et al.
Veröffentlicht: (2024)

Building Trustworthy AI for Materials Discovery: From Autonomous Laboratories to Z-scores
von: Amirian, Benhour, et al.
Veröffentlicht: (2025)

Steering an Active Learning Workflow Towards Novel Materials Discovery via Queue Prioritization
von: Schwarting, Marcus, et al.
Veröffentlicht: (2025)

Rapid Machine Learning-Driven Detection of Pesticides and Dyes Using Raman Spectroscopy
von: Binh, Quach Thi Thai, et al.
Veröffentlicht: (2025)

SpinMultiNet: Neural Network Potential Incorporating Spin Degrees of Freedom with Multi-Task Learning
von: Ueno, Koki, et al.
Veröffentlicht: (2024)

Invariant Discovery of Features Across Multiple Length Scales: Applications in Microscopy and Autonomous Materials Characterization
von: Raghavan, Aditya, et al.
Veröffentlicht: (2024)

Autonomous Reliability Qualification of Ga$_2$O$_3$-based Hydrogen and Temperature Sensors via Safe Active Learning
von: Febba, Davi, et al.
Veröffentlicht: (2026)

Role of Large Language Models and Retrieval-Augmented Generation for Accelerating Crystalline Material Discovery: A Systematic Review
von: Oche, Agada Joseph, et al.
Veröffentlicht: (2025)

34 Examples of LLM Applications in Materials Science and Chemistry: Towards Automation, Assistants, Agents, and Accelerated Scientific Discovery
von: Zimmermann, Yoel, et al.
Veröffentlicht: (2025)

Acceleration of Atomistic NEGF: Algorithms, Parallelization, and Machine Learning
von: Luisier, Mathieu, et al.
Veröffentlicht: (2026)

Structural Constraint Integration in Generative Model for Discovery of Quantum Material Candidates
von: Okabe, Ryotaro, et al.
Veröffentlicht: (2024)

Large Language Model-Guided Prediction Toward Quantum Materials Synthesis
von: Okabe, Ryotaro, et al.
Veröffentlicht: (2024)

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

MatQnA: A Benchmark Dataset for Multi-modal Large Language Models in Materials Characterization and Analysis
von: Weng, Yonghao, et al.
Veröffentlicht: (2025)

Predicting and Accelerating Nanomaterials Synthesis Using Machine Learning Featurization
von: Price, Christopher C., et al.
Veröffentlicht: (2024)

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

Open Materials Generation with Inference-Time Reinforcement Learning
von: Hoellmer, Philipp, et al.
Veröffentlicht: (2026)

Adaptive AI-Driven Material Synthesis: Towards Autonomous 2D Materials Growth
von: Sabattini, Leonardo, et al.
Veröffentlicht: (2024)

Active Learning for Conditional Inverse Design with Crystal Generation and Foundation Atomic Models
von: Li, Zhuoyuan, et al.
Veröffentlicht: (2025)

Learning ORDER-Aware Multimodal Representations for Composite Materials Design
von: Li, Xinyao, 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)

Learning Physics-Consistent Material Behavior from Dynamic Displacements
von: Han, Zhichao, et al.
Veröffentlicht: (2024)

Multi-Task Multi-Fidelity Learning of Properties for Energetic Materials
von: Appleton, Robert J., et al.
Veröffentlicht: (2024)

Autonomous microARPES
von: Agustsson, Steinn Ymir, et al.
Veröffentlicht: (2024)

When Active Learning Fails, Uncalibrated Out of Distribution Uncertainty Quantification Might Be the Problem
von: Dale, Ashley S., et al.
Veröffentlicht: (2025)

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

Learning Magnetic Order Classification from Large-Scale Materials Databases
von: Fahmy, Ahmed E.
Veröffentlicht: (2025)

Composite Material Design for Optimized Fracture Toughness Using Machine Learning
von: Jahromi, Mohammad Naqizadeh, et al.
Veröffentlicht: (2024)

Toward Multi-Fidelity Machine Learning Force Field for Cathode Materials
von: Dong, Guangyi, et al.
Veröffentlicht: (2025)

UniMat: Unifying Materials Embeddings through Multi-modal Learning
von: Ock, Janghoon, et al.
Veröffentlicht: (2024)

Unraveling the Impact of Initial Choices and In-Loop Interventions on Learning Dynamics in Autonomous Scanning Probe Microscopy
von: Slautin, Boris N., et al.
Veröffentlicht: (2024)

Real-time Multi-instrument Autonomous Discovery of Novel Phase-change Memory Materials
von: Lee, Chih-Yu, et al.
Veröffentlicht: (2026)

Accelerating Scientific Discovery with Autonomous Goal-evolving Agents
von: Du, Yuanqi, et al.
Veröffentlicht: (2025)