論文の概要: Evaluating Universal Machine Learning Force Fields Against Experimental Measurements

• arxiv url: http://arxiv.org/abs/2508.05762v1
• Date: Thu, 07 Aug 2025 18:21:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-11 20:39:05.976743
• Title: Evaluating Universal Machine Learning Force Fields Against Experimental Measurements
• Title（参考訳）: 実験結果に対するユニバーサル機械学習力場の評価
• Authors: Sajid Mannan, Vaibhav Bihani, Carmelo Gonzales, Kin Long Kelvin Lee, Nitya Nand Gosvami, Sayan Ranu, Santiago Miret, N M Anoop Krishnan,
• Abstract要約: ユニバーサル機械学習力場(UMLFF)は、周期表を横断する素早い原子論シミュレーションを可能にすることによって、材料科学に革命をもたらすことを約束する。 ここでは, 1500の慎重に硬化した鉱物構造の実験的測定に対して, 実験結合性FFsを総合的に評価するためのフレームワークであるUniFFBenchについて述べる。 計算ベンチマークにおける印象的な性能を達成するモデルは、実験的な複雑さに直面すると、しばしば失敗する。
• 参考スコア（独自算出の注目度）: 15.863801293927635
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Universal machine learning force fields (UMLFFs) promise to revolutionize materials science by enabling rapid atomistic simulations across the periodic table. However, their evaluation has been limited to computational benchmarks that may not reflect real-world performance. Here, we present UniFFBench, a comprehensive framework for evaluating UMLFFs against experimental measurements of ~1,500 carefully curated mineral structures spanning diverse chemical environments, bonding types, structural complexity, and elastic properties. Our systematic evaluation of six state-of-the-art UMLFFs reveals a substantial reality gap: models achieving impressive performance on computational benchmarks often fail when confronted with experimental complexity. Even the best-performing models exhibit higher density prediction error than the threshold required for practical applications. Most strikingly, we observe disconnects between simulation stability and mechanical property accuracy, with prediction errors correlating with training data representation rather than the modeling method. These findings demonstrate that while current computational benchmarks provide valuable controlled comparisons, they may overestimate model reliability when extrapolated to experimentally complex chemical spaces. Altogether, UniFFBench establishes essential experimental validation standards and reveals systematic limitations that must be addressed to achieve truly universal force field capabilities.
• Abstract（参考訳）: ユニバーサル機械学習力場(UMLFF)は、周期表を横断する素早い原子論シミュレーションを可能にすることによって、材料科学に革命をもたらすことを約束する。 しかし、それらの評価は実世界の性能を反映しない計算ベンチマークに限られている。 ここでは, 様々な化学環境, 結合タイプ, 構造複雑性, 弾性特性にまたがる, 1500の慎重に硬化した鉱物構造の実験的測定に対して, UMLFFを総合的に評価するためのフレームワークであるUniFFBenchについて述べる。 計算ベンチマークにおける印象的な性能を達成するモデルは、実験的な複雑さに直面すると、しばしば失敗する。 最高の性能モデルでさえ、実用的な応用に必要な閾値よりも高い密度予測誤差を示す。 最も注目すべきは、シミュレーション安定性と機械的特性の精度の相違を、モデリング法ではなく、トレーニングデータ表現に関連する予測誤差で観察することである。 これらの結果は、現在の計算ベンチマークは、貴重な制御された比較結果を提供するが、実験的な複雑な化学空間に外挿した場合、モデルの信頼性を過大評価する可能性があることを示している。 さらに、UniFFBenchは、本質的な実験的な検証基準を確立し、真に普遍的な力場能力を達成するために対処しなければならない体系的な制限を明らかにする。

関連論文リスト

• Towards Robust Surrogate Models: Benchmarking Machine Learning Approaches to Expediting Phase Field Simulations of Brittle Fracture [0.0]
  フラクチャーモデリングのためのML手法のベンチマークと進歩を目的としたPFMシミュレーションに基づくデータセットを提案する。 このデータセットには3つのエネルギー分解方法、2つの境界条件、合計6,000のシミュレーションのための1000のランダムな初期き裂構成が含まれている。 本研究は, フラクチャーメカニクス研究における機械学習の進歩のためのテストベッドとして, このデータセットの有用性を実証するものである。
  論文  参考訳（メタデータ） (2025-07-09T19:14:56Z)
• To Use or Not to Use a Universal Force Field [1.25431689228423]
  機械学習力場(MLFF)は分子動力学(MD)シミュレーションの強力なツールとして登場した。 このパースペクティブは、複合材料システムのシミュレーションのための普遍的MLFFの実現可能性を評価する。
  論文  参考訳（メタデータ） (2025-03-11T09:23:01Z)
• GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
  GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。 さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)
• Generalizability of Graph Neural Network Force Fields for Predicting Solid-State Properties [8.405078403907241]
  機械学習力場(MLFF)は、複雑な分子系に対するアブ初期シミュレーションの計算的に効率的な代替手段を提供する。 本研究では、グラフニューラルネットワーク(GNN)ベースのMLFFを用いて、トレーニング中に明示的に含まない固体現象を記述する能力について検討する。
  論文  参考訳（メタデータ） (2024-09-16T02:14:26Z)
• Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
  リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。 この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。 提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
  論文  参考訳（メタデータ） (2024-07-26T10:29:16Z)
• Investigating the Robustness of Counterfactual Learning to Rank Models: A Reproducibility Study [61.64685376882383]
  ランク付け学習(CLTR: Counterfactual Learning to rank)は、IRコミュニティにおいて、ログ化された大量のユーザインタラクションデータを活用してランキングモデルをトレーニングする能力において、大きな注目を集めている。 本稿では,複雑かつ多様な状況における既存のCLTRモデルのロバスト性について検討する。 その結果, DLAモデルとIPS-DCMは, PS-PBMやPSSよりも, オフラインの確率推定による堅牢性が高いことがわかった。
  論文  参考訳（メタデータ） (2024-04-04T10:54:38Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• 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)

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。