論文の概要: Refining Machine Learning Potentials through Thermodynamic Theory of Phase Transitions

• arxiv url: http://arxiv.org/abs/2512.03974v1
• Date: Wed, 03 Dec 2025 17:06:26 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-04 12:02:39.260597
• Title: Refining Machine Learning Potentials through Thermodynamic Theory of Phase Transitions
• Title（参考訳）: 相転移の熱力学理論による精製機械学習の可能性
• Authors: Paul Fuchs, Julija Zavadlav,
• Abstract要約: 本研究は,過度に予測された遷移温度を補正するために,トップダウン学習による微調整戦略を提案する。 提案手法は, 純チタンの相図を最大5GPaの圧力範囲で正確に補正できることを示す。 我々のアプローチはモデルに依存しず、固体および固液遷移を持つ多成分系に適用できる。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Foundational Machine Learning Potentials can resolve the accuracy and transferability limitations of classical force fields. They enable microscopic insights into material behavior through Molecular Dynamics simulations, which can crucially expedite material design and discovery. However, insufficiently broad and systematically biased reference data affect the predictive quality of the learned models. Often, these models exhibit significant deviations from experimentally observed phase transition temperatures, in the order of several hundred kelvins. Thus, fine-tuning is necessary to achieve adequate accuracy in many practical problems. This work proposes a fine-tuning strategy via top-down learning, directly correcting the wrongly predicted transition temperatures to match the experimental reference data. Our approach leverages the Differentiable Trajectory Reweighting algorithm to minimize the free energy differences between phases at the experimental target pressures and temperatures. We demonstrate that our approach can accurately correct the phase diagram of pure Titanium in a pressure range of up to 5 GPa, matching the experimental reference within tenths of kelvins and improving the liquid-state diffusion constant. Our approach is model-agnostic, applicable to multi-component systems with solid-solid and solid-liquid transitions, and compliant with top-down training on other experimental properties. Therefore, our approach can serve as an essential step towards highly accurate application-specific and foundational machine learning potentials.
• Abstract（参考訳）: 基礎的機械学習ポテンシャルは、古典的な力場の精度と伝達可能性の限界を解決できる。 分子動力学シミュレーションにより、材料設計と発見を極めて早く行うことができる。 しかし、十分に広く、体系的に偏った参照データは、学習モデルの予測品質に影響を及ぼす。 これらのモデルはしばしば、数百ケルビンの順に、実験的に観察された相転移温度から大きなずれを示す。 したがって、多くの実践的な問題において適切な精度を達成するためには、微調整が必要である。 本研究は, トップダウン学習による微調整戦略を提案し, 予測された遷移温度を直接補正し, 実験基準データに適合させる。 実験対象圧力と温度の位相間の自由エネルギー差を最小化するために, 微分軌道重み付けアルゴリズムを利用する。 提案手法は, ケルビン10分の1の圧力範囲で純チタンの相図を正確に補正し, 液相拡散定数を改善できることを実証した。 本手法は, モデル非依存であり, 固体および固液相転移を有する多成分系に適用でき, 他の実験特性に対するトップダウントレーニングに適合する。 したがって,本手法は,高精度なアプリケーション固有および基礎的な機械学習ポテンシャルへの重要なステップとして機能する。

関連論文リスト

• Property prediction for ionic liquids without prior structural knowledge using limited experimental data: A data-driven neural recommender system leveraging transfer learning [0.34410212782758043]
  イオン液体(IL)は、従来の溶媒の代替品として出現している。 重要な熱物性を正確に予測することは 巨大な化学設計空間のために 難しいままです 本稿では、スパース実験データセットを用いて、ILの信頼性の高い特性予測を可能にするデータ駆動トランスファー学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-12T14:13:31Z)
• Machine Learning for Improved Density Functional Theory Thermodynamics [0.0]
  本稿では,密度汎関数理論計算における固有エネルギー分解誤差を体系的に補正する機械学習(ML)手法を提案する。 ニューラルネットワークモデルは、二元系および三元系合金および化合物に対するDFT計算と実験的に測定されたエンタルピーの相違を予測するために訓練されている。 本手法の有効性を,航空宇宙・保護コーティングにおける高温応用に関心のあるAl-Ni-PdおよびAl-Ni-Ti系に応用して説明する。
  論文  参考訳（メタデータ） (2025-03-07T15:46:30Z)
• Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
  本稿では, イオン伝導体の迅速かつ信頼性の高いスクリーニング手法として, 普遍的な原子間ポテンシャルの解析手法を提案する。 第一原理計算では,10種中8種が室温で超イオン性であることが確認された。 本手法は, 機械学習電位によって駆動される分子動力学と比較して約50倍の高速化係数を達成し, 第一原理分子動力学に比べて少なくとも3,000倍高速である。
  論文  参考訳（メタデータ） (2024-11-11T09:01:36Z)
• Efficient mapping of phase diagrams with conditional Boltzmann Generators [4.437335677401287]
  位相図全体に対するボルツマン生成法に基づく深層生成機械学習モデルを開発した。 単一正規化流を訓練することにより, 単一の基準熱力学状態から広範囲の目標温度, 圧力に比例した平衡分布を変換し, 効率よく平衡分布を生成することができる。 我々は、レナード=ジョーンズ系の固液共存線を最先端自由エネルギー法とよく一致して予測することで、我々のアプローチを実証する。
  論文  参考訳（メタデータ） (2024-06-18T08:05:04Z)
• Mixup-Augmented Meta-Learning for Sample-Efficient Fine-Tuning of Protein Simulators [29.22292758901411]
  分子動力学タスクにソフトプロンプトに基づく学習手法を適用する。 本フレームワークは,ドメイン内データの精度を向上し,未知および分布外サンプルの強力な一般化能力を示す。
  論文  参考訳（メタデータ） (2023-08-29T08:29:08Z)
• Machine learning enabled experimental design and parameter estimation for ultrafast spin dynamics [54.172707311728885]
  機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。 本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。 数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-03T06:19:20Z)
• Accessing the topological Mott insulator in cold atom quantum simulators with realistic Rydberg dressing [58.720142291102135]
  本稿では, コールド・ライドバーグ型原子を用いた光学格子の量子シミュレーションの現実的シナリオについて検討する。 本研究では, 平均場近似において, 半次および非共役充填時の位相図の詳細な解析を行う。 さらに、平均場近似における温度に対する相の安定性について検討する。
  論文  参考訳（メタデータ） (2022-03-28T14:55:28Z)
• Unsupervised machine learning of topological phase transitions from experimental data [52.77024349608834]
  超低温原子からの実験データに教師なし機械学習技術を適用する。 我々は、完全にバイアスのない方法で、ハルダンモデルの位相位相図を得る。 我々の研究は、複雑な多体系における新しいエキゾチック位相の教師なし検出のためのベンチマークを提供する。
  論文  参考訳（メタデータ） (2021-01-14T16:38:21Z)
• Uncertainty estimation for molecular dynamics and sampling [0.0]
  機械学習モデルは、時間を要する電子構造計算をサイドステップする非常に効果的な戦略として登場した。 モデルのトレーニング中に含まれる有限個の参照構造から導かれる誤差を推定することは非常に重要である。 本報告では, 水や液体ガリウムほど多様な構造特性と熱力学特性, システムについて述べる。
  論文  参考訳（メタデータ） (2020-11-10T00:07:50Z)
• Probing eigenstate thermalization in quantum simulators via fluctuation-dissipation relations [77.34726150561087]
  固有状態熱化仮説(ETH)は、閉量子多体系の平衡へのアプローチの普遍的なメカニズムを提供する。 本稿では, ゆらぎ・散逸関係の出現を観測し, 量子シミュレータのフルETHを探索する理論に依存しない経路を提案する。 我々の研究は、量子シミュレータにおける熱化を特徴づける理論に依存しない方法を示し、凝縮物質ポンプ-プローブ実験をシミュレーションする方法を舗装する。
  論文  参考訳（メタデータ） (2020-07-20T18:00:02Z)

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。