Buchumschlag

Crystal structure prediction using graph neural combinatorial optimization

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Gerolymatos, Stavros, Brubaker, J. Kyle, Schuetz, Martin J. A., Gusev, Vladimir V.
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Cluster Exploration using Informative Manifold Projections
von: Gerolymatos, Stavros, et al.
Veröffentlicht: (2023)

Language-Based Bayesian Optimization Research Assistant (BORA)
von: Cissé, Abdoulatif, et al.
Veröffentlicht: (2025)

Inferred global dense residue transition graphs from primary structure sequences enable protein interaction prediction via directed graph convolutional neural networks
von: Ebeid, Islam Akef, et al.
Veröffentlicht: (2025)

On Background Bias of Post-Hoc Concept Embeddings in Computer Vision DNNs
von: Schwalbe, Gesina, et al.
Veröffentlicht: (2025)

Graph-based Virtual Sensing from Sparse and Partial Multivariate Observations
von: De Felice, Giovanni, et al.
Veröffentlicht: (2024)

Kolmogorov-Arnold graph neural networks for chemically informed prediction tasks on inorganic nanomaterials
von: Volzhin, Nikita, et al.
Veröffentlicht: (2025)

Advanced atom-level representations for protein flexibility prediction utilizing graph neural networks
von: Sarparast, Sina, et al.
Veröffentlicht: (2024)

Optimizing Blood Transfusions and Predicting Shortages in Resource-Constrained Areas
von: Belfarsi, El Arbi, et al.
Veröffentlicht: (2025)

Effective backdoor attack on graph neural networks in link prediction tasks
von: Dai, Jiazhu, et al.
Veröffentlicht: (2024)

Distill n' Explain: explaining graph neural networks using simple surrogates
von: Pereira, Tamara, et al.
Veröffentlicht: (2023)

Do graph neural network states contain graph properties?
von: Pelletreau-Duris, Tom, et al.
Veröffentlicht: (2024)

Flow reconstruction in time-varying geometries using graph neural networks
von: Danciu, Bogdan A., et al.
Veröffentlicht: (2024)

Simplicial SMOTE: Oversampling Solution to the Imbalanced Learning Problem
von: Kachan, Oleg, et al.
Veröffentlicht: (2025)

Towards graph neural networks for provably solving convex optimization problems
von: Qian, Chendi, et al.
Veröffentlicht: (2025)

Generative quantum combinatorial optimization by means of a novel conditional generative quantum eigensolver
von: Minami, Shunya, et al.
Veröffentlicht: (2025)

Robustness questions the interpretability of graph neural networks: what to do?
von: Lukyanov, Kirill, et al.
Veröffentlicht: (2025)

sHGCN: Simplified hyperbolic graph convolutional neural networks
von: Arévalo, Pol, et al.
Veröffentlicht: (2025)

Amortized In-Context Bayesian Posterior Estimation
von: Mittal, Sarthak, et al.
Veröffentlicht: (2025)

Adaptive multiple optimal learning factors for neural network training
von: Challagundla, Jeshwanth
Veröffentlicht: (2024)

Simmering: Sufficient is better than optimal for training neural networks
von: Babayan, Irina, et al.
Veröffentlicht: (2024)

Sign language recognition from skeletal data using graph and recurrent neural networks
von: Mederos, B., et al.
Veröffentlicht: (2025)

Reinforcement learning with combinatorial actions for coupled restless bandits
von: Xu, Lily, et al.
Veröffentlicht: (2025)

Development of a graph neural network surrogate for travel demand modelling
von: Makarov, Nikita, et al.
Veröffentlicht: (2024)

Applying graph neural network to SupplyGraph for supply chain network
von: Han, Kihwan
Veröffentlicht: (2024)

Separable neural architectures as a primitive for unified predictive and generative intelligence
von: Batley, Reza T., et al.
Veröffentlicht: (2026)

Towards physics-informed neural networks for landslide prediction
von: Dahal, Ashok, et al.
Veröffentlicht: (2024)

Orchard: building large cancer phylogenies using stochastic combinatorial search
von: Kulman, E., et al.
Veröffentlicht: (2023)

Decomposing heterogeneous dynamical systems with graph neural networks
von: Allier, Cédric, et al.
Veröffentlicht: (2024)

Enhancing material property prediction with ensemble deep graph convolutional networks
von: Rahman, Chowdhury Mohammad Abid, et al.
Veröffentlicht: (2024)

Integrating Bayesian methods with neural network--based model predictive control: a review
von: Karacelik, Asli
Veröffentlicht: (2025)

Data-Driven Worker Activity Recognition and Efficiency Estimation in Manual Fruit Harvesting
von: Bhattarai, Uddhav, et al.
Veröffentlicht: (2025)

Proportional integral derivative booster for neural networks-based time-series prediction: Case of water demand prediction
von: Salloom, Tony, et al.
Veröffentlicht: (2025)

Toward a universal foundation model for graph-structured data
von: Mostafa, Sakib, et al.
Veröffentlicht: (2026)

Binary structured physics-informed neural networks for solving equations with rapidly changing solutions
von: Liu, Yanzhi, et al.
Veröffentlicht: (2024)

Stochastic stem bucking using mixture density neural networks
von: Schmiedel, Simon
Veröffentlicht: (2024)

Feature learning as alignment: a structural property of gradient descent in non-linear neural networks
von: Beaglehole, Daniel, et al.
Veröffentlicht: (2024)

Informed along the road: roadway capacity driven graph convolution network for network-wide traffic prediction
von: Bian, Zilin, et al.
Veröffentlicht: (2024)

Comprehensive benchmarking of large language models for RNA secondary structure prediction
von: Zablocki, L. I., et al.
Veröffentlicht: (2024)

LLMs learn governing principles of dynamical systems, revealing an in-context neural scaling law
von: Liu, Toni J. B., et al.
Veröffentlicht: (2024)

MACS: Multi-Agent Reinforcement Learning for Optimization of Crystal Structures
von: Zamaraeva, Elena, et al.
Veröffentlicht: (2025)