Diseño inverso de catalizadores mediante preentrenamiento autoregresivo masivo
Descubre cómo un modelo GPT preentrenado con 133 millones de estructuras logra un 98% de validez en diseño inverso de catalizadores, acelerando el
#diseño inverso
Marco generativo con física para diseño inverso de metamateriales acústicos
MetaSeq, un marco generativo guiado por física, reduce un 45% el error en diseño inverso de metamateriales acústicos. ¡Optimiza tus diseños con IA!
MetaSeq: marco generativo secuencial para diseño inverso metamateriales acústicos
Descubre MetaSeq: marco generativo basado en secuencias reduce 45% error diseño inverso metamateriales acústicos, combinando aprendizaje supervisado y refuerzo.
Aprendizaje automático permite diseño inverso de fresado basado en rugosidad
Aprendizaje automático para diseño inverso de fresado: reduce rugosidad superficial con redes neuronales y optimización bayesiana.
InvDesMobility: retroalimentación confiable para descubrimiento de materiales
Descubre cómo InvDesMobility integra DFT automatizado y compuerta de confiabilidad para descubrimiento de materiales de alta movilidad.
Base de datos de nanocristales para diseño generativo inverso
La base de datos NSP con 160,000 entradas y modelos de lenguaje (NanoExtractor, NanoDesigner) permiten diseño inverso generativo de nanocristales, validado con MgF2.