Zobrazeno 1 - 10
of 24
pro vyhledávání: '"Bash, Daniil"'
Autor:
Tian, Siyu Isaac Parker, Ren, Zekun, Venkataraj, Selvaraj, Cheng, Yuanhang, Bash, Daniil, Oviedo, Felipe, Senthilnath, J., Chellappan, Vijila, Lim, Yee-Fun, Aberle, Armin G., MacLeod, Benjamin P, Parlane, Fraser G. L., Berlinguette, Curtis P., Li, Qianxiao, Buonassisi, Tonio, Liu, Zhe
Transfer learning increasingly becomes an important tool in handling data scarcity often encountered in machine learning. In the application of high-throughput thickness as a downstream process of the high-throughput optimization of optoelectronic th
Externí odkaz:
http://arxiv.org/abs/2207.02209
Autor:
Bash, Daniil, Chenardi, Frederick Hubert, Ren, Zekun, Cheng, Jayce, Buonassisi, Tonio, Oliveira, Ricardo, Kumar, Jatin, Hippalgaonkar, Kedar
Functional composite thin films have a wide variety of applications in flexible and/or electronic devices, telecommunications and multifunctional emerging coatings. Rapid screening of their properties is a challenging task, especially with multiple c
Externí odkaz:
http://arxiv.org/abs/2109.00697
Autor:
Liang, Qiaohao, Gongora, Aldair E., Ren, Zekun, Tiihonen, Armi, Liu, Zhe, Sun, Shijing, Deneault, James R., Bash, Daniil, Mekki-Berrada, Flore, Khan, Saif A., Hippalgaonkar, Kedar, Maruyama, Benji, Brown, Keith A., Fisher III, John, Buonassisi, Tonio
In the field of machine learning (ML) for materials optimization, active learning algorithms, such as Bayesian Optimization (BO), have been leveraged for guiding autonomous and high-throughput experimentation systems. However, very few studies have e
Externí odkaz:
http://arxiv.org/abs/2106.01309
Autor:
Bash, Daniil, Cai, Yongqiang, Chellappan, Vijila, Wong, Swee Liang, Xu, Yang, Kumar, Pawan, Da Tan, Jin, Abutaha, Anas, Cheng, Jayce, Lim, Yee Fun, Tian, Siyu, Ren, Danny Zekun, Mekki-Barrada, Flore, Wong, Wai Kuan, Kumar, Jatin, Khan, Saif, Li, Qianxiao, Buonassisi, Tonio, Hippalgaonkar, Kedar
Combining high-throughput experiments with machine learning allows quick optimization of parameter spaces towards achieving target properties. In this study, we demonstrate that machine learning, combined with multi-labeled datasets, can additionally
Externí odkaz:
http://arxiv.org/abs/2011.10382
Autor:
Laugier, Leo, Bash, Daniil, Recatala, Jose, Ng, Hong Kuan, Ramasamy, Savitha, Foo, Chuan-Sheng, Chandrasekhar, Vijay R, Hippalgaonkar, Kedar
We introduce the use of Crystal Graph Convolutional Neural Networks (CGCNN), Fully Connected Neural Networks (FCNN) and XGBoost to predict thermoelectric properties. The dataset for the CGCNN is independent of Density Functional Theory (DFT) and only
Externí odkaz:
http://arxiv.org/abs/1811.06219
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.