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 20 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 mode candidate est l'union; le consensus est l'intersection.

fundno affnon étiqueté
MuLoCo: Muon is a practical inner optimizer for DiLoCo
Benjamin Therien, Xiaolong Huang, Irina Rish, Eugene Belilovsky
2025· preprint· en· arXiv (Cornell University)· Materials Science
prédiction distillée:candidate · metaepi_narrow+insufficient_payloadconsensus · aucune
0
citations
aboutno affnon étiqueté
Editorial | A Homecoming for Microscopists
Gary J. Laughlin
2022· article· en· The Microscope· Materials Science
prédiction distillée:candidate · sts+insufficient_payloadconsensus · aucune
0
citations
affnon étiqueté
From Desktop to Benchtop – A Paradigm Shift in Asymmetric Synthesis
Mihai Burai Patrascu, Joshua Pottel, Sharon Pinus, Michelle Bezanson, Per‐Ola Norrby, Nicolas Moitessier
2019· preprint· en· ChemRxiv· Materials Science
prédiction distillée:candidate · metaepi_narrow+insufficient_payloadconsensus · insufficient_payload
0
citations
affsans résuménon étiqueté
The Equilibrium Box
Geoffrey M. Anderson
2024· preprint· en· Research Square· Materials Science
prédiction distillée:candidate · scholarly_communication+open_science+research_integrity+insufficient_payloadconsensus · insufficient_payload
0
citations
fundno affnon étiqueté
InChI 1.07 available on GitHub
2024· article· en· Chemistry International· Materials Science
prédiction distillée:candidate · insufficient_payloadconsensus · insufficient_payload
0
citations
affnon étiqueté
Bringing ML to the real world: rewards are all we need
Sergei V. Kalinin, Boris N. Slautin, Yu Liu, Mahshid Ahmadi, Kamyar Barakati, N. M. Anoop Krishnan +3 autres
2025· article· ChemRxiv· Materials Science
prédiction distillée:candidate · metaepi_narrow+scholarly_communication+insufficient_payloadconsensus · insufficient_payload
0
citations
afffundsans résuménon étiqueté
Neural network potentials using matrix-based descriptors
Omid Tarkhaneh, Sharene D. Bungay, Raymond A. Poirier, Robert C. Mawhinney
2025· article· en· Theoretical Chemistry Accounts· Materials Science
prédiction distillée:candidate · metaepi_narrow+insufficient_payloadconsensus · aucune
0
citations
affnon étiqueté
AI-Driven Synthetic Route Design with Retrosynthesis Knowledge
Shoichi Ishida, Kei Terayama, Ryosuke Kojima, Kiyosei Takasu, Yasushi Okuno
2020· preprint· en· ChemRxiv· Materials Science
prédiction distillée:candidate · metaepi_narrow+insufficient_payloadconsensus · insufficient_payload
0
citations
afffundsans résuménon étiqueté
Flexible Uncertainty Calibration for Machine-Learned Interatomic Potentials
Cheuk Hin Ho, Christoph Ortner, Yangshuai Wang
2025· preprint· Research Square· Materials Science
prédiction distillée:candidate · metaresearch+metaepi_narrow+sts+scholarly_communication+open_science+research_integrity+insufficient_payloadconsensus · metaepi_narrow+research_integrity+insufficient_payload
0
citations
venueno affnon étiqueté
Modern Applied Science, Vol. 14, No. 8, August 2020
Sunny Lee
2020· article· en· Modern Applied Science· Materials Science
prédiction distillée:candidate · metaepi_narrow+sts+scholarly_communication+open_science+insufficient_payloadconsensus · sts+insufficient_payload
0
citations
affnon étiqueté
Transferable Learning of Reaction Pathways from Geometric Priors
Juno Nam, Miguel Steiner, Max Misterka, Soojung Yang, Avni Singhal, Rafael Gómez‐Bombarelli
2025· article· en· The Journal of Physical Chemistry Letters· Materials Science
prédiction distillée:candidate · aucuneconsensus · aucune
0
citations

En coulisses: Sélection · Constats · À propos