Machine learning unveils composition-property relationships in chalcogenide glasses (2022)
- Authors:
- USP affiliated authors: CARVALHO, ANDRÉ CARLOS PONCE DE LEON FERREIRA DE - ICMC ; MASTELINI, SAULO MARTIELLO - ICMC ; ALCOBAÇA NETO, EDESIO PINTO DE SOUZA - ICMC ; BOTARI, TIAGO - ICMC
- Unidade: ICMC
- DOI: 10.1016/j.actamat.2022.118302
- Subjects: APRENDIZADO COMPUTACIONAL; RECONHECIMENTO DE PADRÕES; PROPRIEDADES DOS MATERIAIS; VIDRO
- Keywords: Chalcogenide glasses; Property prediction
- Agências de fomento:
- Language: Inglês
- Imprenta:
- Publisher place: Kidlington
- Date published: 2022
- Source:
- Título: Acta Materialia
- ISSN: 1359-6454
- Volume/Número/Paginação/Ano: v. 240, p. 1-13, Nov. 2022
- Este periódico é de assinatura
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: green
-
ABNT
MASTELINI, Saulo Martiello et al. Machine learning unveils composition-property relationships in chalcogenide glasses. Acta Materialia, v. No 2022, p. 1-13, 2022Tradução . . Disponível em: https://doi.org/10.1016/j.actamat.2022.118302. Acesso em: 27 dez. 2025. -
APA
Mastelini, S. M., Cassar, D. R., Alcobaça, E., Botari, T., Carvalho, A. C. P. de L. F. de, & Zanotto, E. D. (2022). Machine learning unveils composition-property relationships in chalcogenide glasses. Acta Materialia, No 2022, 1-13. doi:10.1016/j.actamat.2022.118302 -
NLM
Mastelini SM, Cassar DR, Alcobaça E, Botari T, Carvalho ACP de LF de, Zanotto ED. Machine learning unveils composition-property relationships in chalcogenide glasses [Internet]. Acta Materialia. 2022 ; No 2022 1-13.[citado 2025 dez. 27 ] Available from: https://doi.org/10.1016/j.actamat.2022.118302 -
Vancouver
Mastelini SM, Cassar DR, Alcobaça E, Botari T, Carvalho ACP de LF de, Zanotto ED. Machine learning unveils composition-property relationships in chalcogenide glasses [Internet]. Acta Materialia. 2022 ; No 2022 1-13.[citado 2025 dez. 27 ] Available from: https://doi.org/10.1016/j.actamat.2022.118302 - Predicting and interpreting oxide glass properties by machine learning using large datasets
- Explainable machine learning algorithms for predicting glass transition temperatures
- Lessons learned from the NeurIPS 2021 MetaDL challenge: backbone fine-tuning without episodic meta-learning dominates for few-shot learning image classification
- Local interpretation methods to machine learning using the domain of the feature space
- A literature review on automated machine learning
- Fast and lightweight binary and multi-branch Hoeffding tree regressors
- Boosting meta-learning with simulated data complexity measures
- A meta-learning approach for selecting image segmentation algorithm
- Online local boosting: improving performance in online decision trees
- Efficient online tree, rule-based and distance-based algorithms
Informações sobre o DOI: 10.1016/j.actamat.2022.118302 (Fonte: oaDOI API)
Download do texto completo
| Tipo | Nome | Link | |
|---|---|---|---|
 |
3096526.pdf |
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
