論文の概要: Generalization of Long-Range Machine Learning Potentials in Complex Chemical Spaces

• arxiv url: http://arxiv.org/abs/2512.10989v1
• Date: Mon, 08 Dec 2025 10:32:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-15 15:48:11.503219
• Title: Generalization of Long-Range Machine Learning Potentials in Complex Chemical Spaces
• Title（参考訳）: 複雑化学空間における長距離機械学習ポテンシャルの一般化
• Authors: Michal Sanocki, Julija Zavadlav,
• Abstract要約: 機械学習の原子間ポテンシャル(MLIP)は、量子に近い精度で大規模な原子論シミュレーションを可能にするが、その有用性は、分布外サンプルへの転送性に乏しいため、しばしば制限される。 本稿では,様々な化学空間にまたがる長距離補正を施したMLIPアーキテクチャを体系的に評価する。 このような手法は, 流通性能の向上だけでなく, 化学空間の未確認領域への転送可能性の向上にも不可欠であることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The vastness of chemical space makes generalization a central challenge in the development of machine learning interatomic potentials (MLIPs). While MLIPs could enable large-scale atomistic simulations with near-quantum accuracy, their usefulness is often limited by poor transferability to out-of-distribution samples. Here, we systematically evaluate different MLIP architectures with long-range corrections across diverse chemical spaces and show that such schemes are essential, not only for improving in-distribution performance but, more importantly, for enabling significant gains in transferability to unseen regions of chemical space. To enable a more rigorous benchmarking, we introduce biased train-test splitting strategies, which explicitly test the model performance in significantly different regions of chemical space. Together, our findings highlight the importance of long-range modeling for achieving generalizable MLIPs and provide a framework for diagnosing systematic failures across chemical space. Although we demonstrate our methodology on metal-organic frameworks, it is broadly applicable to other materials, offering insights into the design of more robust and transferable MLIPs.
• Abstract（参考訳）: 化学空間の広さは、機械学習原子間ポテンシャル(MLIP)の発展において、一般化を中心的な課題にしている。 MLIPは、ほぼ量子精度で大規模な原子論シミュレーションを可能にするが、その有用性は、分布外サンプルへの転送性に乏しいため、しばしば制限される。 そこで我々は,様々な化学空間にまたがる長距離補正を施したMLIPアーキテクチャを体系的に評価し,分散性能の向上だけでなく,化学空間の未確認領域への転送可能性の大幅な向上を実現するためにも,このような手法が不可欠であることを示す。 より厳密なベンチマークを可能にするため,我々は,化学空間の異なる領域におけるモデル性能を明示的にテストする偏り試験分割戦略を導入した。 本研究は, MLIPの汎用化を実現するための長距離モデリングの重要性を強調し, 化学領域における系統的故障の診断のための枠組みを提供するものである。 金属-有機系フレームワーク上での方法論を実証するが、他の材料にも広く適用でき、より堅牢で伝達可能なMLIPの設計に関する洞察を提供する。

関連論文リスト

• MolSight: Optical Chemical Structure Recognition with SMILES Pretraining, Multi-Granularity Learning and Reinforcement Learning [47.029225594084345]
  MolSightは総合的な学習フレームワークで、3段階のトレーニングパラダイムを採用している。 我々は,MollSightが(ステレオ)化学光学構造認識における最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2025-11-21T15:11:47Z)
• 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)
• oMeBench: Towards Robust Benchmarking of LLMs in Organic Mechanism Elucidation and Reasoning [44.36582860924775]
  有機化学における有機機構推論のための,最初の大規模で専門家によるベンチマークであるoMeBenchを紹介する。 また,ステップレベルの論理と化学的類似性を組み合わせた動的評価フレームワークoMeSを提案する。
  論文  参考訳（メタデータ） (2025-10-09T03:13:31Z)
• Iterative Pretraining Framework for Interatomic Potentials [46.53683458224917]
  MLIPモデルの予測性能を向上させるために, 原子間ポテンシャルの反復事前学習(IPIP)を提案する。 IPIPは、反復訓練が最適な局所最小値に収束するのを防ぐための、忘れるメカニズムを組み込んでいる。 汎用力場と比較すると,Mo-S-Oシステムでは予測誤差が80%以上減少し,最大4倍の高速化を実現している。
  論文  参考訳（メタデータ） (2025-07-27T03:59:41Z)
• Interpolation and differentiation of alchemical degrees of freedom in machine learning interatomic potentials [0.980222898148295]
  原子性物質シミュレーションにおける連続的および微分可能なアルケミカル自由度の利用について報告する。 提案手法は,MLIPのメッセージパッシングおよび読み出し機構の変更とともに,対応する重みを持つアルケミカル原子を入力グラフに導入する。 MLIPのエンドツーエンドの微分可能性により、構成重みに対するエネルギー勾配の効率的な計算が可能となる。
  論文  参考訳（メタデータ） (2024-04-16T17:24:22Z)
• Accurate Machine Learned Quantum-Mechanical Force Fields for Biomolecular Simulations [51.68332623405432]
  分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。 近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。 本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-05-17T13:08:28Z)
• Improving Molecular Representation Learning with Metric Learning-enhanced Optimal Transport [49.237577649802034]
  分子レグレッション問題に対する一般化能力を高めるために,MROTと呼ばれる新しい最適輸送ベースアルゴリズムを開発した。 MROTは最先端のモデルよりも優れており、新しい物質の発見を加速する有望な可能性を示している。
  論文  参考訳（メタデータ） (2022-02-13T04:56:18Z)
• A Universal Framework for Featurization of Atomistic Systems [0.0]
  物理や機械学習に基づく反応力場は、時間と長さのスケールのギャップを埋めるために使うことができる。 本稿では,原子周囲の電子密度の物理的に関連する多極展開を利用するガウス多極(GMP)デデュール化スキームを紹介する。 我々は,GMPに基づくモデルがQM9データセットの化学的精度を達成できることを示し,新しい要素を外挿してもその精度は妥当であることを示した。
  論文  参考訳（メタデータ） (2021-02-04T03:11:00Z)

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。