MétaCan
ENFR
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.

Exporter en CSVExporter en JSONRequête API

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 1 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 affnon étiqueté
Quantum-chemical insights from deep tensor neural networks
Kristof T. Schütt, Farhad Arbabzadah, Stefan Chmiela, K. Müller, Alexandre Tkatchenko
2017· article· en· Nature Communications· Materials Science
prédiction machine:candidate · aucuneconsensus · aucune
1 492
citations
affsans résuménon étiqueté
Machine learning phases of matter
Juan Carrasquilla, Roger G. Melko
2017· article· en· Nature Physics· Materials Science
prédiction machine:candidate · aucuneconsensus · aucune
1 474
citations
affnon étiqueté
QSAR without borders
Eugene Muratov, Jürgen Bajorath, Robert P. Sheridan, Igor V. Tetko, Dmitry Filimonov, Vladimir Poroikov +13 autres
2020· review· en· Chemical Society Reviews· Materials Science
prédiction machine:candidate · aucuneconsensus · aucune
852
citations
afffundnon étiqueté
Data-Driven Strategies for Accelerated Materials Design
Robert Pollice, Gabriel dos Passos Gomes, Matteo Aldeghi, Riley J. Hickman, Mario Krenn, Cyrille Lavigne +5 autres
2021· article· en· Accounts of Chemical Research· Materials Science
prédiction machine:candidate · aucuneconsensus · aucune
472
citations
fundno affnon étiqueté
OpenMM 8: Molecular Dynamics Simulation with Machine Learning Potentials
Peter Eastman, Raimondas Galvelis, Raúl P. Peláez, Charlles R. A. Abreu, Stephen E. Farr, Emilio Gallicchio +19 autres
2023· article· en· The Journal of Physical Chemistry B· Materials Science
prédiction machine:candidate · aucuneconsensus · aucune
469
citations
afffundsans résuménon étiqueté
Machine learning for a sustainable energy future
Zhenpeng Yao, Yanwei Lum, Andrew Johnston, L.M. Mejía-Mendoza, Xin Zhou, Yonggang Wen +3 autres
2022· review· en· Nature Reviews Materials· Materials Science
prédiction machine:candidate · aucuneconsensus · aucune
468
citations
affnon étiqueté
Phoenics: A Bayesian Optimizer for Chemistry
Florian Häse, Loı̈c M. Roch, Christoph Kreisbeck, Alán Aspuru‐Guzik
2018· article· en· ACS Central Science· Materials Science
prédiction machine:candidate · aucuneconsensus · aucune
384
citations
affnon étiqueté
The 2019 materials by design roadmap
Kirstin Alberi, Marco Buongiorno Nardelli, Andriy Zakutayev, Luboš Mitáš, Stefano Curtarolo, Anubhav Jain +27 autres
2018· article· en· Journal of Physics D Applied Physics· Materials Science
prédiction machine:candidate · aucuneconsensus · aucune
343
citations
afffundnon étiqueté
SELFIES and the future of molecular string representations
Mario Krenn, Qianxiang Ai, Senja Barthel, Nessa Carson, Angelo Frei, Nathan C. Frey +25 autres
2022· review· en· Patterns· Materials Science
prédiction machine:candidate · aucuneconsensus · aucune
267
citations
affnon étiqueté
Roadmap on multiscale materials modeling
E. van der Giessen, Peter A. Schultz, Nicolas Bertin, Vasily V. Bulatov, Wei Cai, Gábor Csányi +14 autres
2020· article· en· Modelling and Simulation in Materials Science and Engineering· Materials Science
prédiction machine:candidate · aucuneconsensus · aucune
203
citations
afffundnon étiqueté
A foundation model for atomistic materials chemistry
Ilyes Batatia, Philipp Benner, Yuan Chiang, A. M. Elena, Dávid Péter Kovács, Janosh Riebesell +82 autres
2025· article· en· The Journal of Chemical Physics· Materials Science
prédiction machine:candidate · aucuneconsensus · aucune
187
citations
affnon étiqueté
Roadmap on Machine learning in electronic structure
Heather J. Kulik, Thomas Hammerschmidt, Jonathan Schmidt, Silvana Botti, Miguel A. L. Marques, Mario Boley +40 autres
2022· article· en· Electronic Structure· Materials Science
prédiction machine:candidate · aucuneconsensus · aucune
184
citations
suivant →

En coulisses: Sélection · Constats · À propos