Materialwissenschaft und Werkstofftechnik (German Wikipedia)

Analysis of information sources in references of the Wikipedia article "Materialwissenschaft und Werkstofftechnik" in German language version.

refsWebsite
Global rank German rank
2nd place
3rd place
123rd place
6th place
low place
1,582nd place
1st place
1st place
274th place
152nd place
low place
low place
low place
1,715th place
low place
low place
low place
1,251st place
low place
1,818th place
low place
1,597th place
low place
7,918th place
9,128th place
696th place
low place
low place
low place
low place
low place
low place
610th place
521st place
4th place
7th place
1,248th place
2,191st place
234th place
203rd place
69th place
189th place
1,160th place
2,116th place
low place
low place
low place
low place
low place
low place
9,325th place
1,985th place
low place
low place
low place
2,319th place
7,479th place
853rd place
low place
4,610th place
low place
1,259th place
low place
1,947th place
low place
7,824th place
low place
1,164th place
low place
3,013th place
low place
1,026th place
low place
2,609th place
low place
3,817th place
low place
low place
2,594th place
400th place
low place
7,711th place
4,878th place
974th place
low place
low place
6,505th place
962nd place
6,155th place
459th place
low place
low place
low place
9,277th place
low place
4,679th place
7,035th place
896th place
low place
6,733rd place
low place
low place
low place
low place
low place
3,453rd place
33rd place
2nd place
low place
2,131st place
7,949th place
1,208th place
low place
low place
7,696th place
870th place
low place
5,164th place
low place
low place
low place
low place
low place
low place

acs.org

pubs.acs.org

  • Hironao Yamada, Chang Liu, Stephen Wu, Yukinori Koyama, Shenghong Ju: Predicting Materials Properties with Little Data Using Shotgun Transfer Learning. In: ACS Central Science. Band 5, Nr. 10, 23. Oktober 2019, ISSN 2374-7943, S. 1717–1730, doi:10.1021/acscentsci.9b00804, PMID 31660440, PMC 6813555 (freier Volltext) – (acs.org [abgerufen am 16. Juni 2022]).

arxiv.org

  • Sterling G. Baird, Marianne Liu, Hasan M. Sayeed, Taylor D. Sparks: Data-Driven Materials Discovery and Synthesis using Machine Learning Methods. In: arXiv:2202.02380 [cond-mat]. 28. Februar 2022, arxiv:2202.02380v2.

bam.de

dfg.de

  • Definitionspapier der Deutschen Forschungsgemeinschaft zur Materialwissenschaft und Werkstofftechnik (DFG), siehe www.dfg.de

dgm.de

doi.org

  • Seeram Ramakrishna, Tong-Yi Zhang, Wen-Cong Lu, Quan Qian, Jonathan Sze Choong Low: Materials informatics. In: Journal of Intelligent Manufacturing. Band 30, Nr. 6, August 2019, ISSN 0956-5515, S. 2307–2326, doi:10.1007/s10845-018-1392-0 (springer.com [abgerufen am 16. Juni 2022]).
  • Manwendra K. Tripathi, Randhir Kumar, Rakesh Tripathi: Big-data driven approaches in materials science: A survey. In: Materials Today: Proceedings. Band 26, 2020, S. 1245–1249, doi:10.1016/j.matpr.2020.02.249 (elsevier.com [abgerufen am 16. Juni 2022]).
  • Hironao Yamada, Chang Liu, Stephen Wu, Yukinori Koyama, Shenghong Ju: Predicting Materials Properties with Little Data Using Shotgun Transfer Learning. In: ACS Central Science. Band 5, Nr. 10, 23. Oktober 2019, ISSN 2374-7943, S. 1717–1730, doi:10.1021/acscentsci.9b00804, PMID 31660440, PMC 6813555 (freier Volltext) – (acs.org [abgerufen am 16. Juni 2022]).
  • Amil Merchant, Simon Batzner, Samuel S. Schoenholz, Muratahan Aykol, Gowoon Cheon, Ekin Dogus Cubuk: Scaling deep learning for materials discovery. In: Nature. 29. November 2023, ISSN 0028-0836, doi:10.1038/s41586-023-06735-9 (nature.com [abgerufen am 4. Dezember 2023]).
  • Ashley White: The Materials Genome Initiative: One year on. In: MRS Bulletin. Band 37, Nr. 8, August 2012, ISSN 0883-7694, S. 715–716, doi:10.1557/mrs.2012.194 (springer.com [abgerufen am 16. Juni 2022]).
  • Qing-Miao Hu, Rui Yang: The endless search for better alloys. In: Science. Band 378, Nr. 6615, 7. Oktober 2022, ISSN 0036-8075, S. 26–27, doi:10.1126/science.ade5503 (science.org [abgerufen am 28. Oktober 2022]).

eah-jena.de

elsevier.com

linkinghub.elsevier.com

  • Manwendra K. Tripathi, Randhir Kumar, Rakesh Tripathi: Big-data driven approaches in materials science: A survey. In: Materials Today: Proceedings. Band 26, 2020, S. 1245–1249, doi:10.1016/j.matpr.2020.02.249 (elsevier.com [abgerufen am 16. Juni 2022]).

fh-muenster.de

fraunhofer.de

materials.fraunhofer.de

  • Deutsch. Abgerufen am 30. Januar 2018.

gdmb.de

haw-landshut.de

hs-aalen.de

hs-albsig.de

hs-furtwangen.de

hs-koblenz.de

hs-osnabrueck.de

hs-wismar.de

fiw.hs-wismar.de

kit.edu

iam.kit.edu

matwerk.de

matwerk.org

mfpa.de

nature.com

  • Amil Merchant, Simon Batzner, Samuel S. Schoenholz, Muratahan Aykol, Gowoon Cheon, Ekin Dogus Cubuk: Scaling deep learning for materials discovery. In: Nature. 29. November 2023, ISSN 0028-0836, doi:10.1038/s41586-023-06735-9 (nature.com [abgerufen am 4. Dezember 2023]).

nih.gov

ncbi.nlm.nih.gov

  • Hironao Yamada, Chang Liu, Stephen Wu, Yukinori Koyama, Shenghong Ju: Predicting Materials Properties with Little Data Using Shotgun Transfer Learning. In: ACS Central Science. Band 5, Nr. 10, 23. Oktober 2019, ISSN 2374-7943, S. 1717–1730, doi:10.1021/acscentsci.9b00804, PMID 31660440, PMC 6813555 (freier Volltext) – (acs.org [abgerufen am 16. Juni 2022]).

ovgu.de

iwf.ovgu.de

ptb.de

redirecter.toolforge.org

  • Fachrichtung 8.4 – Materialwissenschaft und Werkstofftechnik. Universität des Saarlandes, archiviert vom Original (nicht mehr online verfügbar) am 10. Mai 2016; abgerufen am 18. Mai 2016.

rub.de

mrd.rub.de

rwth-aachen.de

muw.rwth-aachen.de

dwi.rwth-aachen.de

science.org

springer.com

link.springer.com

stmw.de

th-ab.de

th-koeln.de

th-nuernberg.de

tu-berlin.de

tu-braunschweig.de

tu-braunschweig.de

mpa.tu-braunschweig.de

  • Startseite. Abgerufen am 23. Dezember 2021 (deutsch).

tu-chemnitz.de

tu-clausthal.de

tu-darmstadt.de

mawi.tu-darmstadt.de

tu-dortmund.de

lwt.mb.tu-dortmund.de

tu-dresden.de

tu-freiberg.de

tu-ilmenau.de

tuhh.de

uni-augsburg.de

physik.uni-augsburg.de

uni-bayreuth.de

ing.uni-bayreuth.de

uni-bremen.de

fb4.uni-bremen.de

uni-erlangen.de

ww.uni-erlangen.de

uni-goettingen.de

uni-hannover.de

iw.uni-hannover.de

maschinenbau.uni-hannover.de

uni-jena.de

osim.uni-jena.de

uni-kassel.de

uni-kiel.de

tf.uni-kiel.de

uni-kl.de

ivw.uni-kl.de

uni-marburg.de

uni-paderborn.de

mb.uni-paderborn.de

uni-siegen.de

uni-stuttgart.de

imw.uni-stuttgart.de

vdeh.de

web.archive.org

  • Holger Jens Schnell (Hrsg.): Materialwissenschaft und Werkstofftechnik in Deutschland. Empfehlungen zu Profilierung, Lehre und Forschung. (= acatech bezieht Position. Nr. 3). Stuttgart 2008, ISBN 978-3-8167-7913-1. (www.acatech.de (Memento vom 1. September 2012 im Internet Archive))
  • Fachrichtung 8.4 – Materialwissenschaft und Werkstofftechnik. Universität des Saarlandes, archiviert vom Original (nicht mehr online verfügbar) am 10. Mai 2016; abgerufen am 18. Mai 2016.

zdb-katalog.de