MétaCan
Menu
Constructeur de cohorte

4 299 418 travaux, canadiens par l’une de quatre routes.

Chaque état de filtre est une URL; l’URL est la requête; la requête est citable via /q/⟨hash⟩. La page, l’API et l’export analysent les mêmes paramètres.

La cohorte courante, diffusée en continu depuis la base de données : toutes les colonnes des travaux, les étiquettes machine, les scores provisoires et l'état de validation de chaque rangée. Les exportations sont plafonnées à 100 000 rangées. Crée un lien /q/ permanent pour cette requête exacte. Les mêmes filtres produisent toujours le même lien, qui que soit le demandeur.

Terme de recherche
Auteur ou autrice
Période
Ordre
Langue
Type
Domaine
Revue
Sujet
Machine Learning in Materials Science
Rétractation
Résumé
Source des données probantes
Devis d'étude
Accord des étiquettes
État des étiquettes

Les étiquettes directes de Codex et Gemma sont non validées et clairsemées. Les prédictions distillées couvrent la base complète et sont elles aussi non validées. Choisissez explicitement la source; l'absence d'une étiquette directe n'est jamais une étiquette négative.

affaffiliation
fundbailleur
venuerevue
aboutsujet

Les quatre voies se composent : exigez la voie du financement et excluez l'affiliation pour obtenir la strate financée-seulement qu'aucune base fondée sur l'affiliation ne voit jamais.

1 108 résultats · 1 filtre actif ·
Résultats par année
20002025
Date de publication
Catégories
Étiquettes machine · couverture clairsemée
Preuves
Langue
Type
Citations
Un travail non étiqueté est inconnu, pas un négatif. La couverture est rapportée à chaque requête.
1 108 travaux dans la cohorte · sur 4 299 418page 2 sur 23

Les étiquettes couvrent 4 des 1 108 travaux de cette cohorte. Les autres sont non étiquetés, ce qui n'est pas une étiquette négative : la table des étiquettes est clairsemée aujourd'hui et s'enrichit au fil des rondes d'étiquetage.

Les prédictions distillées couvrent 1 108 des 1 108 travaux de cette cohorte. Ces prédictions portent le statut machine_predicted_unvalidated. Le volet Gemma est une étiquette directe du modèle pour chaque travail (titre seulement); le volet Codex est un classifieur distillé et calibré. Le mode candidate est l'union; le consensus est l'intersection.

fundno affgemma · aucune catégoriegpt · aucune catégoriemodèles en désaccord
Machine-learned and codified synthesis parameters of oxide materials
Edward Kim, Kevin Huang, Alex Tomala, Sara Matthews, Emma Strubell, Adam M. Saunders +2 autres
2017· article· en· Scientific Data· Materials Science
prédiction machine:candidate · aucuneconsensus · aucune
175
citations
affnon étiqueté
Toward Design of Novel Materials for Organic Electronics
Pascal Friederich, Artem Fediai, Simon Kaiser, Manuel Konrad, Nicole Jung, Wolfgang Wenzel
2019· review· en· Advanced Materials· Materials Science
prédiction machine:candidate · aucuneconsensus · aucune
167
citations
affnon étiqueté
How Ambiguous Is the Local Kinetic Energy?<sup>†</sup>
James S. M. Anderson, Paul W. Ayers, Juan I. Rodriguez Hernandez
2010· article· en· The Journal of Physical Chemistry A· Materials Science
prédiction machine:candidate · aucuneconsensus · aucune
165
citations
affsans résuménon étiqueté
Materials Acceleration Platforms: On the way to autonomous experimentation
Martha M. Flores‐Leonar, L.M. Mejía-Mendoza, Andrés Aguilar‐Granda, Benjamín Sánchez-Lengeling, Hermann Tribukait, Carlos Amador‐Bedolla +1 autres
2020· article· en· Current Opinion in Green and Sustainable Chemistry· Materials Science
prédiction machine:candidate · aucuneconsensus · aucune
164
citations
affnon étiqueté
Nine questions on energy decomposition analysis
Juán Andrés, Paul W. Ayers, Roberto A. Boto, Ramon Carbó‐Dorca, Henry Chermette, Jerzy Ciosłowski +23 autres
2019· article· en· Journal of Computational Chemistry· Materials Science
prédiction machine:candidate · aucuneconsensus · aucune
153
citations
affsans résuménon étiqueté
Atomic cluster expansion: Completeness, efficiency and stability
Geneviève Dusson, Markus Bachmayr, Gábor Csányi, Ralf Drautz, Simon Etter, Cas van der Oord +1 autres
2022· article· en· Journal of Computational Physics· Materials Science
prédiction machine:candidate · aucuneconsensus · aucune
148
citations
affnon étiqueté
The Matter Simulation (R)evolution
Alán Aspuru‐Guzik, Roland Lindh, Markus Reiher
2018· review· en· ACS Central Science· Materials Science
prédiction machine:candidate · aucuneconsensus · aucune
144
citations
afffundnon étiqueté
Deep learning and density-functional theory
Kevin Ryczko, David A. Strubbe, Isaac Tamblyn
2019· article· en· Physical review. A/Physical review, A· Materials Science
prédiction machine:candidate · aucuneconsensus · aucune
125
citations
affnon étiqueté
The Amsterdam Modeling Suite
Evert Jan Baerends, Néstor F. Aguirre, N. Austin, Jochen Autschbach, F. Matthias Bickelhaupt, Rosa E. Bulo +28 autres
2025· article· en· The Journal of Chemical Physics· Materials Science
prédiction machine:candidate · aucuneconsensus · aucune
113
citations
affnon étiqueté
Autonomous Molecular Design: Then and Now
Tanja Dimitrov, Christoph Kreisbeck, Jill Becker, Alán Aspuru‐Guzik, Semion K. Saikin
2019· article· en· ACS Applied Materials & Interfaces· Materials Science
prédiction machine:candidate · aucuneconsensus · aucune
109
citations
afffundsans résuménon étiqueté
Flexible automation accelerates materials discovery
Benjamin P. MacLeod, Fraser G. L. Parlane, Amanda K. Brown, Jason E. Hein, Curtis P. Berlinguette
2021· article· en· Nature Materials· Materials Science
prédiction machine:candidate · aucuneconsensus · aucune
104
citations
afffundnon étiqueté
Hyperactive learning for data-driven interatomic potentials
Cas van der Oord, Matthias Sachs, Dávid Péter Kovács, Christoph Ortner, Gábor Cśanyi
2023· article· en· npj Computational Materials· Materials Science
prédiction machine:candidate · aucuneconsensus · aucune
102
citations
affsans résuménon étiqueté
Artificial Intelligence in Materials Modeling and Design
Jiasheng Huang, Janet Liew, A.S. Ademiloye, K.M. Liew
2020· article· en· Archives of Computational Methods in Engineering· Materials Science
prédiction machine:candidate · aucuneconsensus · aucune
93
citations
affnon étiqueté
A Bayesian Approach to Predict Solubility Parameters
Benjamín Sánchez-Lengeling, Loı̈c M. Roch, José Darío Perea, Stefan Langner, Christoph J. Brabec, Alán Aspuru‐Guzik
2018· article· en· Advanced Theory and Simulations· Materials Science
prédiction machine:candidate · aucuneconsensus · aucune
88
citations
afffundnon étiqueté
The Activation-Relaxation Technique: ART Nouveau and Kinetic ART
Normand Mousseau, Laurent Karim Béland, P.E. Brommer, J.P. Joly, Fedwa El‐Mellouhi, E. Machado +2 autres
2012· article· en· Journal of Atomic Molecular and Optical Physics· Materials Science
prédiction machine:candidate · aucuneconsensus · aucune
87
citations
afffundnon étiqueté
Accelerated chemical science with AI
Seoin Back, Alán Aspuru‐Guzik, Michele Ceriotti, Ganna Gryn’ova, Bartosz A. Grzybowski, Geun Ho Gu +15 autres
2023· article· en· Digital Discovery· Materials Science
prédiction machine:candidate · aucuneconsensus · aucune
87
citations

En coulisses: Sélection · Constats · À propos