論文の概要: BLIPs: Bayesian Learned Interatomic Potentials

• arxiv url: http://arxiv.org/abs/2508.14022v1
• Date: Tue, 19 Aug 2025 17:28:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-20 15:36:32.031466
• Title: BLIPs: Bayesian Learned Interatomic Potentials
• Title（参考訳）: BLIPs:ベイジアンによる原子間ポテンシャルの学習
• Authors: Dario Coscia, Pim de Haan, Max Welling,
• Abstract要約: 機械学習原子間ポテンシャル(MLIP)は、シミュレーションベースの化学の中心的なツールになりつつある。 MLIPは、アクティブな学習パイプラインをガイドする基本となる、構築による不確実性推定を提供していない。 BLIPはスケーラブルでアーキテクチャに依存しない、トレーニングや微調整のためのベイズ的フレームワークである。
• 参考スコア（独自算出の注目度）: 47.73617239750485
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine Learning Interatomic Potentials (MLIPs) are becoming a central tool in simulation-based chemistry. However, like most deep learning models, MLIPs struggle to make accurate predictions on out-of-distribution data or when trained in a data-scarce regime, both common scenarios in simulation-based chemistry. Moreover, MLIPs do not provide uncertainty estimates by construction, which are fundamental to guide active learning pipelines and to ensure the accuracy of simulation results compared to quantum calculations. To address this shortcoming, we propose BLIPs: Bayesian Learned Interatomic Potentials. BLIP is a scalable, architecture-agnostic variational Bayesian framework for training or fine-tuning MLIPs, built on an adaptive version of Variational Dropout. BLIP delivers well-calibrated uncertainty estimates and minimal computational overhead for energy and forces prediction at inference time, while integrating seamlessly with (equivariant) message-passing architectures. Empirical results on simulation-based computational chemistry tasks demonstrate improved predictive accuracy with respect to standard MLIPs, and trustworthy uncertainty estimates, especially in data-scarse or heavy out-of-distribution regimes. Moreover, fine-tuning pretrained MLIPs with BLIP yields consistent performance gains and calibrated uncertainties.
• Abstract（参考訳）: 機械学習原子間ポテンシャル(MLIP)は、シミュレーションベースの化学の中心的なツールになりつつある。 しかし、ほとんどのディープラーニングモデルと同様に、MLIPは、分配外のデータやデータスカース方式でトレーニングされた場合、シミュレーションベースの化学の一般的なシナリオで正確な予測を行うのに苦労している。 さらに、MLIPは、アクティブな学習パイプラインを誘導し、量子計算と比較してシミュレーション結果の精度を確実にする基本となる、構築による不確実性推定を提供していない。 この欠点に対処するため、我々はBLIPs: Bayesian Learned Interatomic potentialsを提案する。 BLIPは拡張性があり、アーキテクチャに依存しないベイズ的フレームワークで、可変ドロップアウトの適応バージョン上に構築された、訓練や微調整のためのMLIPである。 BLIPは、(等価な)メッセージパッシングアーキテクチャとシームレスに統合しながら、よく校正された不確実性推定と、エネルギーに対する最小の計算オーバーヘッドを推論時に予測する。 シミュレーションに基づく計算化学タスクにおける実証的な結果は、標準MLIPに対する予測精度の向上と、信頼性の高い不確実性推定、特にデータスカースや重いアウト・オブ・ディストリビューションシステムにおいてである。 さらに、BLIPを用いた微調整事前学習MLIPは、一貫した性能向上と校正不確実性をもたらす。

関連論文リスト

• Equivariant Evidential Deep Learning for Interatomic Potentials [55.6997213490859]
  不確かさの定量化は、分子動力学シミュレーションにおける機械学習の原子間ポテンシャルの信頼性を評価するために重要である。 既存のMLIPのUQアプローチは、高い計算コストや準最適性能によって制限されることが多い。 我々は,原子間ポテンシャルの定量的深層学習(texte2$IP)を提案する。
  論文  参考訳（メタデータ） (2026-02-11T02:00:25Z)
• From Evaluation to Design: Using Potential Energy Surface Smoothness Metrics to Guide Machine Learning Interatomic Potential Architectures [12.68400434984463]
  MLIPは量子ポテンシャルエネルギー表面の物理的滑らかさを再現することができない。 マイクロカノニカル分子動力学のような既存の評価は計算に高価であり、主に近平衡状態を研究する。 MLIPの評価基準を改善するためにBSCT(Band Smoothness Characterization Test)を導入する。
  論文  参考訳（メタデータ） (2026-02-04T18:50:10Z)
• Scaling Laws of Machine Learning for Optimal Power Flow [18.873780776603216]
  深層ニューラルネットワーク(DNN)のような機械学習アプローチは、OPFソリューションの速度と性能を向上させるために広く研究されている。 既存の研究では、これらのスケーリング関係を定量化することなく、離散的なシナリオを評価する。 この研究は、MLベースのOPFの2次元にわたる最初の体系的スケーリング研究である。
  論文  参考訳（メタデータ） (2026-01-06T04:32:37Z)
• Bridging the Gap Between Bayesian Deep Learning and Ensemble Weather Forecasts [100.26854618129039]
  天気予報は、大気のカオス的な性質によって根本的に挑戦されている。 ベイジアンディープラーニング(BDL)の最近の進歩は、有望だがしばしば非接続な代替手段を提供する。 気象予報のための統合型BDLフレームワークにより,これらのパラダイムを橋渡しする。
  論文  参考訳（メタデータ） (2025-11-18T07:49:52Z)
• Learning From Simulators: A Theory of Simulation-Grounded Learning [0.0]
  シミュレーション・グラウンドド・ニューラルネットワーク(SGNN)は、メカニカル・シミュレーションから完全に合成データに基づいて訓練された予測モデルである。 我々は、SGNNを統一的な統計フレームワークに配置する。標準的な損失関数の下では、シミュレータによって訓練されたベイズ予測器として解釈することができる。 SGNNは遅延パラメータを復元し、ミスマッチ下では頑健であり、古典的ツールよりも優れています。
  論文  参考訳（メタデータ） (2025-09-23T13:39:11Z)
• Exploring Efficient Quantification of Modeling Uncertainties with Differentiable Physics-Informed Machine Learning Architectures [2.4117201298131232]
  モデリングの不確かさの定量化と伝播は、信頼性分析、堅牢な最適化、およびエンジニアリング設計と制御における他のモデルベースのアルゴリズムプロセスに不可欠である。 物理インフォームド・機械学習(PIML)手法は,近年,従来の計算モデリングや代理モデリング手法に代わる新しい手法として登場している。
  論文  参考訳（メタデータ） (2025-06-23T02:32:20Z)
• Learning atomic forces from uncertainty-calibrated adversarial attacks [0.0]
  そこで本稿では, ユーザの指定した誤りを含む逆構造を検出するために, キャリブレーション・アディショナル・ジオメトリ・最適化(CAGO)アルゴリズムを提案する。 不確実性に対する幾何学的最適化を行うことで、ユーザ指定のターゲットMLIP予測誤差を持つ逆構造に到達する。
  論文  参考訳（メタデータ） (2025-02-25T16:03:59Z)
• DSMoE: Matrix-Partitioned Experts with Dynamic Routing for Computation-Efficient Dense LLMs [70.91804882618243]
  本稿では,事前学習したFFN層を計算ブロックに分割することで,分散化を実現するDSMoEを提案する。 我々は,Sigmoid アクティベーションとストレートスルー推定器を用いた適応型エキスパートルーティングを実装し,トークンがモデル知識の様々な側面に柔軟にアクセスできるようにする。 LLaMAモデルを用いた実験により、DSMoEは既存のプルーニング法やMoE法に比べて優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-02-18T02:37:26Z)
• Scaling Laws for Predicting Downstream Performance in LLMs [75.28559015477137]
  この研究は、性能推定のためのより計算効率のよい指標として、事前学習損失に焦点を当てている。 FLP-Mは、事前トレーニング中に複数のソースからのデータセットを統合する実践的なニーズに対処する、パフォーマンス予測の基本的なアプローチである。
  論文  参考訳（メタデータ） (2024-10-11T04:57:48Z)
• LLMC: Benchmarking Large Language Model Quantization with a Versatile Compression Toolkit [55.73370804397226]
  鍵圧縮技術である量子化は、大きな言語モデルを圧縮し、加速することにより、これらの要求を効果的に軽減することができる。 本稿では,プラグアンドプレイ圧縮ツールキットであるLLMCについて,量子化の影響を公平かつ体系的に検討する。 この汎用ツールキットによって、我々のベンチマークはキャリブレーションデータ、アルゴリズム(3つの戦略)、データフォーマットの3つの重要な側面をカバーしています。
  論文  参考訳（メタデータ） (2024-05-09T11:49:05Z)
• Uncertainty-biased molecular dynamics for learning uniformly accurate interatomic potentials [25.091146216183144]
  アクティブラーニングは、偏りや偏りのない分子動力学を用いて候補プールを生成する。 既存のバイアスやバイアスのないMDシミュレーション手法は、稀な事象や外挿領域を見逃しがちである。 この研究は、MLIPのエネルギー不確実性に偏ったMDが同時に外挿領域と稀な事象を捉えることを示した。
  論文  参考訳（メタデータ） (2023-12-03T14:39:14Z)
• Stabilizing Machine Learning Prediction of Dynamics: Noise and Noise-inspired Regularization [58.720142291102135]
  近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。 緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。 トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
  論文  参考訳（メタデータ） (2022-11-09T23:40:52Z)
• 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)

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。