論文の概要: How accurate are foundational machine learning interatomic potentials for heterogeneous catalysis?

• arxiv url: http://arxiv.org/abs/2512.16702v1
• Date: Thu, 18 Dec 2025 16:06:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-19 18:10:32.146024
• Title: How accurate are foundational machine learning interatomic potentials for heterogeneous catalysis?
• Title（参考訳）: 不均一触媒に対する基礎的機械学習の原子間ポテンシャルはどの程度正確か?
• Authors: Luuk H. E. Kempen, Raffaele Cheula, Mie Andersen,
• Abstract要約: 基礎的な機械学習の原子間ポテンシャル(MLIP)は急速に発展しており、精度を向上するためにより近い近似を約束している。 そこで我々は,80種類のMLIPのゼロショット性能を系統的に解析し,異種タスクに典型的なタスクを評価する。 多くのMLIPが磁気材料に適用されると破滅的に失敗し、MLIPの構造緩和は一般的にエネルギー予測誤差を増大させる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Foundational machine learning interatomic potentials (MLIPs) are being developed at a rapid pace, promising closer and closer approximation to ab initio accuracy. This unlocks the possibility to simulate much larger length and time scales. However, benchmarks for these MLIPs are usually limited to ordered, crystalline and bulk materials. Hence, reported performance does not necessarily accurately reflect MLIP performance in real applications such as heterogeneous catalysis. Here, we systematically analyze zero-shot performance of 80 different MLIPs, evaluating tasks typical for heterogeneous catalysis across a range of different data sets, including adsorption and reaction on surfaces of alloyed metals, oxides, and metal-oxide interfacial systems. We demonstrate that current-generation foundational MLIPs can already perform at high accuracy for applications such as predicting vacancy formation energies of perovskite oxides or zero-point energies of supported nanoclusters. However, limitations also exist. We find that many MLIPs catastrophically fail when applied to magnetic materials, and structure relaxation in the MLIP generally increases the energy prediction error compared to single-point evaluation of a previously optimized structure. Comparing low-cost task-specific models to foundational MLIPs, we highlight some core differences between these model approaches and show that -- if considering only accuracy -- these models can compete with the current generation of best-performing MLIPs. Furthermore, we show that no single MLIP universally performs best, requiring users to investigate MLIP suitability for their desired application.
• Abstract（参考訳）: 基礎的な機械学習の原子間ポテンシャル(MLIP)は急速に発展しており、精度を向上するためにより近い近似を約束している。 これにより、より大きな長さと時間スケールをシミュレートすることが可能になる。 しかしながら、これらのMLIPのベンチマークは通常、秩序、結晶、バルク材料に限られる。 したがって、報告された性能は、不均一触媒のような実アプリケーションにおけるMLIP性能を正確に反映するとは限らない。 そこで我々は,80種類のMLIPのゼロショット性能を系統的に解析し,合金金属,酸化物,金属-酸化物界面系の表面への吸着や反応を含む,多種多種多種多種多種多様触媒作用の典型的な課題を評価する。 本研究では,ペロブスカイト酸化物の空孔形成エネルギーの予測や支持ナノクラスターのゼロ点エネルギーの予測など,現行のMLIPの高精度化を実証する。 しかし、制限もある。 多くのMLIPが磁気材料に適用されると破滅的に故障し、MLIPの構造緩和は、これまで最適化された構造の単一点評価と比較して、一般的にエネルギー予測誤差を増大させる。 低コストのタスク固有モデルと基本的なMLIPを比較して、これらのモデルアプローチのコアとなる違いを強調し、精度のみを考慮すると、これらのモデルが現在の最高のパフォーマンスを持つMLIPと競合することを示す。 さらに,1つのMLIPが最善を尽くすことはないことを示し,ユーザが所望のアプリケーションに対してMLIPの適合性を調査する必要があることを示した。

関連論文リスト

• BLIPs: Bayesian Learned Interatomic Potentials [47.73617239750485]
  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。
  論文  参考訳（メタデータ） (2025-08-19T17:28:14Z)
• 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)
• DSMoE: Matrix-Partitioned Experts with Dynamic Routing for Computation-Efficient Dense LLMs [86.76714527437383]
  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)
• Energy & Force Regression on DFT Trajectories is Not Enough for Universal Machine Learning Interatomic Potentials [8.254607304215451]
  MLIP(Universal Machine Learning Interactomic Potentials)は、材料発見のための高速化されたシミュレーションを可能にする。 MLIPは様々な材料に対して大規模分子動力学(MD)シミュレーションを確実かつ正確に行うことができない。
  論文  参考訳（メタデータ） (2025-02-05T23:04:21Z)
• 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)
• 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)
• Data-free Weight Compress and Denoise for Large Language Models [96.68582094536032]
  パラメータ行列を圧縮する手法として,データフリーなジョイントランクk近似を提案する。 キャリブレーションデータなしで、元の性能の93.43%を維持しながら80%のパラメータのモデルプルーニングを実現する。
  論文  参考訳（メタデータ） (2024-02-26T05:51:47Z)

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。