論文の概要: A community-powered search of machine learning strategy space to find NMR property prediction models

• arxiv url: http://arxiv.org/abs/2008.05994v1
• Date: Thu, 13 Aug 2020 16:23:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-10-30 23:57:29.765496
• Title: A community-powered search of machine learning strategy space to find NMR property prediction models
• Title（参考訳）: nmr特性予測モデル探索のための機械学習戦略空間のコミュニティによる探索
• Abstract要約: 我々は、機械学習戦略の領域を探索するオンラインコミュニティによる取り組みの結果の概要を述べる。 私たちはKaggleと協力して、84カ国2700チームから47,800のMLモデル予測を受けた3ヶ月のコンペを開催しました。 3週間以内に、Kaggleコミュニティは、以前発表された"社内"の取り組みに匹敵する精度のモデルを作成した。
• 参考スコア（独自算出の注目度）: 9.754535095252134
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rise of machine learning (ML) has created an explosion in the potential strategies for using data to make scientific predictions. For physical scientists wishing to apply ML strategies to a particular domain, it can be difficult to assess in advance what strategy to adopt within a vast space of possibilities. Here we outline the results of an online community-powered effort to swarm search the space of ML strategies and develop algorithms for predicting atomic-pairwise nuclear magnetic resonance (NMR) properties in molecules. Using an open-source dataset, we worked with Kaggle to design and host a 3-month competition which received 47,800 ML model predictions from 2,700 teams in 84 countries. Within 3 weeks, the Kaggle community produced models with comparable accuracy to our best previously published "in-house" efforts. A meta-ensemble model constructed as a linear combination of the top predictions has a prediction accuracy which exceeds that of any individual model, 7-19x better than our previous state-of-the-art. The results highlight the potential of transformer architectures for predicting quantum mechanical (QM) molecular properties.
• Abstract（参考訳）: 機械学習(ml)の台頭は、データを使用して科学的予測を行う潜在的な戦略の爆発を生み出した。 特定の領域にML戦略を適用したい物理科学者にとって、広い範囲で採用すべき戦略を事前に評価することは困難である。 ここでは、ML戦略の空間を探索し、分子の原子対核磁気共鳴(NMR)特性を予測するアルゴリズムを開発するためのオンラインコミュニティ主導の取り組みの結果の概要を述べる。 オープンソースのデータセットを使用して、Kaggleと協力して、84カ国2700チームから47,800のMLモデル予測を受けた3ヶ月のコンペを設計、開催しました。 3週間以内に、Kaggleコミュニティは、以前発表された"社内"の取り組みに匹敵する精度のモデルを作成した。 上位予測の線形結合として構築されたメタアンサンブルモデルは,従来の最先端モデルよりも7～19倍高い予測精度を有する。 この結果は量子力学(QM)分子特性を予測するためのトランスフォーマーアーキテクチャの可能性を強調した。

関連論文リスト

• Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
  第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。 We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
  論文  参考訳（メタデータ） (2025-11-04T17:22:22Z)
• Foundation Models for Discovery and Exploration in Chemical Space [57.97784111110166]
  MISTは、大規模なラベルなしデータセットに基づいて訓練された分子基盤モデルのファミリーである。 我々は、これらのモデルが化学空間をまたいだ現実世界の問題を解決する能力を実証する。
  論文  参考訳（メタデータ） (2025-10-20T17:56:01Z)
• Approaching Maximal Information Extraction in Low-Signal Regimes via Multiple Instance Learning [0.0]
  より正確な予測を得るために,機械学習(ML)手法を提案する。 提案手法では,データセットに潜伏する理論上の最大漁獲量の抽出が可能である可能性が示唆された。
  論文  参考訳（メタデータ） (2025-08-09T22:46:55Z)
• Improving the Predictability of the Madden-Julian Oscillation at Subseasonal Scales with Gaussian Process Models [0.8749675983608172]
  マデン・ジュリアン振動(マデン・ジュリアン・オシレーション、英語: Madden-Julian Oscillation、MJO)は、地球規模の気象パターンを調節する上で重要な役割を担っている気候現象である。 ニューラルネットワークのようなほとんどの機械学習アルゴリズムは、MJO予測における不確実性レベルを直接提供できない。
  論文  参考訳（メタデータ） (2025-05-21T18:40:40Z)
• A Surrogate Model for the Forward Design of Multi-layered Metasurface-based Radar Absorbing Structures [3.328784252410173]
  本稿では,多層準曲面RASの電磁(EM)応答の予測を著しく高速化する代理モデルを提案する。 提案したモデルは、99.9%のコサイン類似性を達成し、平均2乗誤差は1000エポック内の0.001である。
  論文  参考訳（メタデータ） (2025-05-14T09:54:00Z)
• CogDPM: Diffusion Probabilistic Models via Cognitive Predictive Coding [62.075029712357]
  本研究は認知拡散確率モデル(CogDPM)を紹介する。 CogDPMは拡散モデルの階層的サンプリング能力に基づく精度推定法と拡散モデル固有の性質から推定される精度重み付きガイダンスを備える。 我々は,Universal Kindomの降水量と表面風速データセットを用いた実世界の予測タスクにCogDPMを適用した。
  論文  参考訳（メタデータ） (2024-05-03T15:54:50Z)
• Graph Neural Networks for Carbon Dioxide Adsorption Prediction in Aluminium-Exchanged Zeolites [3.909855210960908]
  分子シミュレーションと比較して吸着特性が4～5桁高速なモデルを提案する。 機械学習モデルから得られた予測はモンテカルロシミュレーションから得られた値と一致している。 このモデルは, 吸着部位の同定に有効であることを示す。
  論文  参考訳（メタデータ） (2024-03-19T11:49:08Z)
• Accurate machine learning force fields via experimental and simulation data fusion [0.0]
  機械学習(ML)ベースの力場は、量子レベルの精度で古典的原子間ポテンシャルのスケールにまたがる能力のために、ますます関心が高まりつつある。 ここでは、密度汎関数理論(DFT)計算と実験的に測定された力学特性と格子パラメータの両方を活用して、チタンのMLポテンシャルを訓練する。 融合したデータ学習戦略は、全ての対象目標を同時に満たすことができ、結果として、単一のソースデータで訓練されたモデルと比較して高い精度の分子モデルが得られることを実証する。
  論文  参考訳（メタデータ） (2023-08-17T18:22:19Z)
• QH9: A Quantum Hamiltonian Prediction Benchmark for QM9 Molecules [69.25826391912368]
  QH9と呼ばれる新しい量子ハミルトンデータセットを生成し、999または2998の分子動力学軌道に対して正確なハミルトン行列を提供する。 現在の機械学習モデルでは、任意の分子に対するハミルトン行列を予測する能力がある。
  論文  参考訳（メタデータ） (2023-06-15T23:39:07Z)
• Development and Evaluation of Conformal Prediction Methods for QSAR [0.5161531917413706]
  定量的構造活性相関モデル(QSAR)は、化合物の生物活性を予測するために一般的に用いられる手法である。 優れた予測性能を達成する機械学習(ML)アルゴリズムの多くは、予測の不確実性を推定するためのいくつかのアドオンメソッドを必要とする。 コンフォーマル予測(CP)は予測アルゴリズムに非依存であり、データ分布の弱い仮定の下で有効な予測間隔を生成できる。
  論文  参考訳（メタデータ） (2023-04-03T13:41:09Z)
• Predictive World Models from Real-World Partial Observations [66.80340484148931]
  本研究では,現実の道路環境に対する確率論的予測世界モデル学習のためのフレームワークを提案する。 従来の手法では、学習のための基礎的真理として完全状態を必要とするが、HVAEが部分的に観察された状態のみから完全状態を予測することを学べる新しい逐次訓練法を提案する。
  論文  参考訳（メタデータ） (2023-01-12T02:07:26Z)
• When does deep learning fail and how to tackle it? A critical analysis on polymer sequence-property surrogate models [1.0152838128195467]
  ディープラーニングモデルは、高分子特性の予測において人気と有効性を高めている。 これらのモデルは、既存のデータを用いて構築することができ、ポリマー特性の迅速な予測に有用である。 しかし,ディープラーニングモデルの性能は,そのトポロジやトレーニングデータの量と密接に関連している。
  論文  参考訳（メタデータ） (2022-10-12T23:04:10Z)
• Hessian-based toolbox for reliable and interpretable machine learning in physics [58.720142291102135]
  本稿では,モデルアーキテクチャの解釈可能性と信頼性,外挿を行うためのツールボックスを提案する。 与えられたテストポイントでの予測に対する入力データの影響、モデル予測の不確実性の推定、およびモデル予測の不可知スコアを提供する。 我々の研究は、物理学やより一般的には科学に適用されたMLにおける解釈可能性と信頼性の方法の体系的利用への道を開く。
  論文  参考訳（メタデータ） (2021-08-04T16:32:59Z)
• Test-time Collective Prediction [73.74982509510961]
  マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。 エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。 我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
  論文  参考訳（メタデータ） (2021-06-22T18:29:58Z)
• Self-Learning for Received Signal Strength Map Reconstruction with Neural Architecture Search [63.39818029362661]
  ニューラルアーキテクチャサーチ(NAS)と受信信号強度(RSS)マップ再構築のための自己学習に基づくモデルを提案する。 このアプローチは、まず最適なNNアーキテクチャを見つけ、与えられた(RSS)マップの地上実測値に対して同時に推論モデルを訓練する。 実験結果から,この第2モデルの信号予測は,非学習に基づく最先端技術や,アーキテクチャ探索を伴わないNNモデルよりも優れていた。
  論文  参考訳（メタデータ） (2021-05-17T12:19:22Z)
• How Powerful are Performance Predictors in Neural Architecture Search? [43.86743225322636]
  我々は31の手法を解析し,性能予測器の大規模研究を行った。 予測器の特定のファミリーが組み合わさることで、より優れた予測能力が得られることを示す。
  論文  参考訳（メタデータ） (2021-04-02T17:57:16Z)
• Few-Shot Graph Learning for Molecular Property Prediction [46.60746023179724]
  分子特性予測の新しいモデルであるMeta-MGNNを提案する。 ラベルのない分子情報を利用するため、Meta-MGNNはさらに分子構造、属性ベースの自己監視モジュール、および自己注意のタスクウェイトを組み込む。 2つの公開マルチプロパティデータセットに関する広範な実験は、Meta-MGNNがさまざまな最先端のメソッドを上回っていることを示しています。
  論文  参考訳（メタデータ） (2021-02-16T01:55:34Z)
• Automated discovery of a robust interatomic potential for aluminum [4.6028828826414925]
  機械学習(ML)ベースのポテンシャルは、量子力学(QM)計算の忠実なエミュレーションを、計算コストを大幅に削減することを目的としている。 アクティブラーニング(AL)の原理を用いたデータセット構築のための高度に自動化されたアプローチを提案する。 アルミニウム(ANI-Al)のMLポテンシャル構築によるこのアプローチの実証 転写性を示すために、1.3M原子衝撃シミュレーションを行い、非平衡力学から採取した局所原子環境上でのDFT計算とANI-Al予測がよく一致することを示す。
  論文  参考訳（メタデータ） (2020-03-10T19:06:32Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。