:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Liu, Yuchu, Zhu, Rui, Xiong, Jingwei, Tang, Haixu
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Materials Science Artificial Intelligence
Online-Zugang:	https://arxiv.org/abs/2605.08255
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

How to Compress KV Cache in RL Post-Training? Shadow Mask Distillation for Memory-Efficient Alignment
von: Zhu, Rui, et al.
Veröffentlicht: (2026)

Enhancing Stress-Strain Predictions with Seq2Seq and Cross-Attention based on Small Punch Test
von: Yang, Zhengni, et al.
Veröffentlicht: (2025)

POINT$^{2}$: A Polymer Informatics Training and Testing Database
von: Xu, Jiaxin, et al.
Veröffentlicht: (2025)

Fine-Tuning Vision-Language Models for Multimodal Polymer Property Prediction
von: Vuong, An, et al.
Veröffentlicht: (2025)

PolySet: Restoring the Statistical Ensemble Nature of Polymers for Machine Learning
von: Ferji, Khalid
Veröffentlicht: (2025)

Predicting Stress in Two-phase Random Materials and Super-Resolution Method for Stress Images by Embedding Physical Information
von: Xing, Tengfei, et al.
Veröffentlicht: (2025)

Evaluating the Performance and Robustness of LLMs in Materials Science Q&A and Property Predictions
von: Wang, Hongchen, et al.
Veröffentlicht: (2024)

DiffSyn: A Generative Diffusion Approach to Materials Synthesis Planning
von: Pan, Elton, et al.
Veröffentlicht: (2025)

Supervised Pretraining for Material Property Prediction
von: Rahman, Chowdhury Mohammad Abid, et al.
Veröffentlicht: (2025)

AIMatDesign: Knowledge-Augmented Reinforcement Learning for Inverse Materials Design under Data Scarcity
von: Yu, Yeyong, et al.
Veröffentlicht: (2025)

Meta-LegNet: A Transferable and Interpretable Framework for Surface Adsorption Prediction via Self-Defined Adsorption-Environment Learning
von: Li, Yifan, et al.
Veröffentlicht: (2026)

Tensor Completion for Surrogate Modeling of Material Property Prediction
von: Pakala, Shaan, et al.
Veröffentlicht: (2025)

Geometric and Topological Deep Learning for Predicting Thermo-mechanical Performance in Cold Spray Deposition Process Modeling
von: Mishra, Akshansh
Veröffentlicht: (2026)

BOOM: Benchmarking Out-Of-distribution Molecular Property Predictions of Machine Learning Models
von: Antoniuk, Evan R., et al.
Veröffentlicht: (2025)

Material Property Prediction with Element Attribute Knowledge Graphs and Multimodal Representation Learning
von: Huang, Chao, et al.
Veröffentlicht: (2024)

MechProNet: Machine Learning Prediction of Mechanical Properties in Metal Additive Manufacturing
von: Akbari, Parand, et al.
Veröffentlicht: (2022)

Crack Path Prediction with Operator Learning using Discrete Particle System data Generation
von: Kiyani, Elham, et al.
Veröffentlicht: (2025)

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

Are LLMs Ready for Real-World Materials Discovery?
von: Miret, Santiago, 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)

AFSD-Physics: Exploring the governing equations of temperature evolution during additive friction stir deposition by a human-AI teaming approach
von: Shi, Tony, et al.
Veröffentlicht: (2024)

XDXD: End-to-end crystal structure determination with low resolution X-ray diffraction
von: Zhao, Jiale, et al.
Veröffentlicht: (2025)

HTSC-2025: A Benchmark Dataset of Ambient-Pressure High-Temperature Superconductors for AI-Driven Critical Temperature Prediction
von: Han, Xiao-Qi, et al.
Veröffentlicht: (2025)

Interaction Topological Transformer for Multiscale Learning in Porous Materials
von: Chen, Dong, et al.
Veröffentlicht: (2025)

BeamPERL: Parameter-Efficient RL with Verifiable Rewards Specializes Compact LLMs for Structured Beam Mechanics Reasoning
von: Hage, Tarjei Paule, et al.
Veröffentlicht: (2026)

Measurements with Noise: Bayesian Optimization for Co-optimizing Noise and Property Discovery in Automated Experiments
von: Slautin, Boris N., et al.
Veröffentlicht: (2024)

Beyond designer's knowledge: Generating materials design hypotheses via large language models
von: Liu, Quanliang, et al.
Veröffentlicht: (2024)

LLEMA: Evolutionary Search with LLMs for Multi-Objective Materials Discovery
von: Abhyankar, Nikhil, et al.
Veröffentlicht: (2025)

Predicting Euler Characteristics and Constructing Topological Structure Using Machine Learning Techniques
von: Yu, Gyunghun, et al.
Veröffentlicht: (2026)

SciQu: Accelerating Materials Properties Prediction with Automated Literature Mining for Self-Driving Laboratories
von: Babu, Anand
Veröffentlicht: (2024)

COFAP: A Universal Framework for COFs Adsorption Prediction through Designed Multi-Modal Extraction and Cross-Modal Synergy
von: Li, Zihan, et al.
Veröffentlicht: (2025)

Predicting Grain Growth in Polycrystalline Materials Using Deep Learning Time Series Models
von: Younes, Eliane, et al.
Veröffentlicht: (2025)

SpectraFormer: an Attention-Based Raman Unmixing Tool for Accessing the Graphene Buffer-Layer Signature on SiC
von: Poteryayev, Dmitriy, et al.
Veröffentlicht: (2026)

AI Meets Plasticity: A Comprehensive Survey
von: Bakhshan, Hadi, et al.
Veröffentlicht: (2026)

The Infinite-Dimensional Nature of Spectroscopy and Why Models Succeed, Fail, and Mislead
von: Michelucci, Umberto, et al.
Veröffentlicht: (2026)

Zatom-1: Towards a Multimodal Foundation Model for 3D Molecules and Materials
von: Morehead, Alex, et al.
Veröffentlicht: (2026)

Constrained Diffusion for Accelerated Structure Relaxation of Inorganic Solids with Point Defects
von: Cui, Jingyi, et al.
Veröffentlicht: (2026)

What drives performance in molecular MPNNs? An operator-level factorial benchmark
von: Jiao, Panyu, et al.
Veröffentlicht: (2026)

Performance of AI agents based on reasoning language models on ALD process optimization tasks
von: Yanguas-Gil, Angel
Veröffentlicht: (2026)

AI scientists produce results without reasoning scientifically
von: Ríos-García, Martiño, et al.
Veröffentlicht: (2026)