論文の概要: Transport Novelty Distance: A Distributional Metric for Evaluating Material Generative Models
- arxiv url: http://arxiv.org/abs/2512.09514v1
- Date: Wed, 10 Dec 2025 10:38:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-11 15:14:53.487527
- Title: Transport Novelty Distance: A Distributional Metric for Evaluating Material Generative Models
- Title（参考訳）: 輸送ノベルティ距離:物質生成モデル評価のための分布指標
- Authors: Paul Hagemann, Simon Müller, Janine George, Philipp Benner,
- Abstract要約: 本稿では,TNovD(Transport Novelty Distance)を導入し,材料発見に用いる生成モデルを,生成材料の品質と新規性によって共同で評価する。
最適輸送理論のアイデアに基づいて、TNovDはトレーニングの特徴と生成された集合の結合を使用し、閾値によって品質と記憶の仕組みに洗練される。
本研究では, 結晶構造予測に係わる典型的な玩具実験について, 記憶, ノイズ注入, 格子変形などについて評価した。
- 参考スコア（独自算出の注目度）: 2.5779675962411654
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent advances in generative machine learning have opened new possibilities for the discovery and design of novel materials. However, as these models become more sophisticated, the need for rigorous and meaningful evaluation metrics has grown. Existing evaluation approaches often fail to capture both the quality and novelty of generated structures, limiting our ability to assess true generative performance. In this paper, we introduce the Transport Novelty Distance (TNovD) to judge generative models used for materials discovery jointly by the quality and novelty of the generated materials. Based on ideas from Optimal Transport theory, TNovD uses a coupling between the features of the training and generated sets, which is refined into a quality and memorization regime by a threshold. The features are generated from crystal structures using a graph neural network that is trained to distinguish between materials, their augmented counterparts, and differently sized supercells using contrastive learning. We evaluate our proposed metric on typical toy experiments relevant for crystal structure prediction, including memorization, noise injection and lattice deformations. Additionally, we validate the TNovD on the MP20 validation set and the WBM substitution dataset, demonstrating that it is capable of detecting both memorized and low-quality material data. We also benchmark the performance of several popular material generative models. While introduced for materials, our TNovD framework is domain-agnostic and can be adapted for other areas, such as images and molecules.
- Abstract（参考訳）: 生成機械学習の最近の進歩は、新しい素材の発見と設計の新たな可能性を開いた。
しかし、これらのモデルが高度化するにつれて、厳密で有意義な評価指標の必要性が高まっている。
既存の評価手法は、しばしば、生成された構造の品質と新規性の両方を捉えることに失敗し、真の生成性能を評価する能力を制限する。
本稿では,TNovD(Transport Novelty Distance)を導入し,生成材料の品質と新規性によって共同で材料発見に使用される生成モデルを判断する。
最適輸送理論のアイデアに基づいて、TNovDはトレーニングの特徴と生成された集合との間の結合を使用し、閾値によって品質と記憶の仕組みに洗練される。
これらの特徴は、素材と強化された素材を区別するために訓練されたグラフニューラルネットワークを使用して結晶構造から生成され、対照的な学習を用いて異なる大きさのスーパーセルが生成される。
本研究では, 結晶構造予測に係わる典型的な玩具実験について, 記憶, ノイズ注入, 格子変形などについて評価した。
さらに,MP20検証セットとWBM置換データセット上でTNovDを検証し,記憶された材料データと品質の低い材料データの両方を検出できることを実証した。
また、いくつかの一般的な材料生成モデルの性能をベンチマークする。
材料として導入されているTNovDフレームワークはドメインに依存しないため、画像や分子など他の領域にも適用可能です。
関連論文リスト
- LeMat-GenBench: A Unified Evaluation Framework for Crystal Generative Models [39.63407613127808]
結晶生成モデルの統一ベンチマークであるLeMat-GenBenchを紹介する。
私たちはHugging Face上でオープンソース評価スイートと公開リーダボードをリリースし、最新のジェネレーティブモデル12をベンチマークします。
論文 参考訳（メタデータ） (2025-12-04T08:25:16Z) - Design Topological Materials by Reinforcement Fine-Tuned Generative Model [4.529476797684622]
トポロジカル絶縁体(TI)とトポロジカル結晶絶縁体(TCI)は、非伝統的な電子的性質を持つ材料である。
生成モデルによる新しいトポロジカル材料の生成に焦点を当てる。
事前学習した生成モデルに強化微調整を適用し, モデル目標と材料設計目標を一致させる。
論文 参考訳（メタデータ） (2025-04-17T16:05:24Z) - MaskTerial: A Foundation Model for Automated 2D Material Flake Detection [48.73213960205105]
MaskTerialと呼ばれる深層学習モデルを提案する。このモデルでは、インスタンスセグメンテーションネットワークを用いて、2D素材のフレークを確実に識別する。
このモデルは、ラベルのないデータからリアルな顕微鏡画像を生成する合成データ生成装置を用いて、広範囲に事前訓練されている。
六方晶窒化ホウ素などの低コントラスト材料の検出において,既存の技術よりも顕著な改善が認められた。
論文 参考訳（メタデータ） (2024-12-12T15:01:39Z) - A Generative Machine Learning Model for Material Microstructure 3D
Reconstruction and Performance Evaluation [4.169915659794567]
2次元から3次元への次元展開は、現在の技術的観点から非常に難しい逆問題と見なされている。
U-netのマルチスケール特性とGANの生成能力を統合する新しい生成モデルが提案されている。
さらに、画像正規化損失とワッサーシュタイン距離損失を組み合わせることにより、モデルの精度をさらに向上する。
論文 参考訳（メタデータ） (2024-02-24T13:42:34Z) - Scalable Diffusion for Materials Generation [99.71001883652211]
我々は任意の結晶構造(ユニマット)を表現できる統一された結晶表現を開発する。
UniMatはより大型で複雑な化学系から高忠実度結晶構造を生成することができる。
材料の生成モデルを評価するための追加指標を提案する。
論文 参考訳（メタデータ） (2023-10-18T15:49:39Z) - StableLLaVA: Enhanced Visual Instruction Tuning with Synthesized
Image-Dialogue Data [129.92449761766025]
本稿では,視覚的インストラクションチューニングのための画像と対話を同期的に合成する新しいデータ収集手法を提案する。
このアプローチは生成モデルのパワーを活用し、ChatGPTとテキスト・ツー・イメージ生成モデルの能力とを結合する。
本研究は,各種データセットを対象とした総合的な実験を含む。
論文 参考訳（メタデータ） (2023-08-20T12:43:52Z) - Diffusion-based Visual Counterfactual Explanations -- Towards Systematic
Quantitative Evaluation [64.0476282000118]
視覚的対物的説明法(VCE)の最新手法は、深い生成モデルの力を利用して、印象的な画質の高次元画像の新しい例を合成する。
評価手順が大きく異なり,個々の実例の視覚検査や小規模なユーザスタディなど,これらのVCE手法の性能を比較することは,現時点では困難である。
本稿では,VCE手法の体系的,定量的評価のためのフレームワークと,使用する指標の最小セットを提案する。
論文 参考訳（メタデータ） (2023-08-11T12:22:37Z) - Graph Contrastive Learning for Materials [6.667711415870472]
本稿では,CrystalCLRを紹介した。CrystalCLRは,Crystal Graph Neural Networkを用いた表現のコンストラクティブ学習のためのフレームワークである。
新たな損失関数が加わったことにより,我々のフレームワークは,工学的フィンガープリント手法と競合する表現を学習することができる。
また、モデル微調整により、対照的な事前学習により、物質特性の予測のためのグラフニューラルネットワークの性能が向上することを示した。
論文 参考訳（メタデータ） (2022-11-24T04:15:47Z) - A Binded VAE for Inorganic Material Generation [0.0]
本研究では,分散データセットの生成に適したBinded-VAEモデルを構築した。
本稿では, ゴム化合物設計の問題点として, 提案手法が標準生成モデルより優れていることを挙げる。
論文 参考訳（メタデータ） (2021-12-17T15:24:28Z) - Comparing Test Sets with Item Response Theory [53.755064720563]
我々は,18の事前学習トランスフォーマーモデルから予測した29のデータセットを個別のテスト例で評価した。
Quoref、HellaSwag、MC-TACOは最先端のモデルを区別するのに最適である。
また、QAMRやSQuAD2.0のようなQAデータセットに使用されるスパン選択タスク形式は、強いモデルと弱いモデルとの差別化に有効である。
論文 参考訳（メタデータ） (2021-06-01T22:33:53Z)
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。