Fugu-MT 論文翻訳(概要): PFT: Phonon Fine-tuning for Machine Learned Interatomic Potentials

論文の概要: PFT: Phonon Fine-tuning for Machine Learned Interatomic Potentials

arxiv url: http://arxiv.org/abs/2601.07742v1
Date: Mon, 12 Jan 2026 17:20:09 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-13 19:08:01.690969
Title: PFT: Phonon Fine-tuning for Machine Learned Interatomic Potentials
Title（参考訳）: PFT: Phonon Fine-tuning for Machine Learned Interatomic potentials
Authors: Teddy Koker, Abhijeet Gangan, Mit Kotak, Jaime Marian, Tess Smidt,
Abstract要約: 材料中の2次力定数を直接監督するフォノン微調整(PFT)を導入する。 PFTは二次導電性を超えた特性の向上を一般化し、熱伝導率予測を改善する。
参考スコア（独自算出の注目度）: 1.9466051980292256
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Many materials properties depend on higher-order derivatives of the potential energy surface, yet machine learned interatomic potentials (MLIPs) trained with standard a standard loss on energy, force, and stress errors can exhibit error in curvature, degrading the prediction of vibrational properties. We introduce phonon fine-tuning (PFT), which directly supervises second-order force constants of materials by matching MLIP energy Hessians to DFT-computed force constants from finite displacement phonon calculations. To scale to large supercells, PFT stochastically samples Hessian columns and computes the loss with a single Hessian-vector product. We also use a simple co-training scheme to incorporate upstream data to mitigate catastrophic forgetting. On the MDR Phonon benchmark, PFT improves Nequix MP (trained on Materials Project) by 55% on average across phonon thermodynamic properties and achieves state-of-the-art performance among models trained on Materials Project trajectories. PFT also generalizes to improve properties beyond second-derivatives, improving thermal conductivity predictions that rely on third-order derivatives of the potential energy.
Abstract（参考訳）: 多くの材料特性はポテンシャルエネルギー表面の高次微分に依存するが、機械学習された原子間ポテンシャル(MLIP)はエネルギー、力、応力誤差の標準的損失で訓練され、曲率の誤差を示し、振動特性の予測を劣化させる。 MLIPエネルギーヘシアンを有限変位フォノン計算からDFT計算された力定数にマッチングすることにより、材料の2次力定数を直接監督するフォノン微調整(PFT)を導入する。大型スーパーセルにスケールするために、PFTはヘッセン列を確率的にサンプリングし、1つのヘッセンベクトル積で損失を計算する。また、簡単なコトレーニング手法を用いて上流データを組み込むことで、破滅的な忘れを軽減します。 MDR Phononベンチマークでは、PFTはフォノン熱力学特性の平均でネキックスMPを55%改善し、マテリアル・プロジェクト・トラジェクトリーで訓練されたモデル間で最先端のパフォーマンスを達成する。 PFTはまた、二次導電性を超えた特性の向上を一般化し、ポテンシャルエネルギーの3階微分に依存する熱伝導率予測を改善する。

関連論文リスト

From Regression to Classification: Exploring the Benefits of Categorical Representations of Energy in MLIPs [1.0998907972211756]
密度汎関数理論 (DFT) は分子のエネルギーと挙動を推定するための広く用いられる計算法である。機械学習原子間ポテンシャル(MLIPs)は、DFTレベルのエネルギーと力を劇的に低い計算コストで近似するよう訓練されたモデルである。本研究では,エネルギー/力の値に対するカテゴリー分布を予測する多クラス分類の定式化について検討する。
論文参考訳（メタデータ） (2025-12-01T00:36:42Z)
FIRE-GNN: Force-informed, Relaxed Equivariance Graph Neural Network for Rapid and Accurate Prediction of Surface Properties [8.537263229630897]
本稿では,表面標準対称性の破れと機械学習の原子間ポテンシャル(MLIP)に基づく力情報を統合するFIRE-GNNを紹介する。従来の作業関数予測よりも平均絶対誤差(0.065 eVまで)が2倍減少する。このモデルにより、作業関数の正確かつ迅速な予測と、広大な化学空間におけるエネルギーの切断が可能となる。
論文参考訳（メタデータ） (2025-08-22T00:07:52Z)
Constructing accurate machine-learned potentials and performing highly efficient atomistic simulations to predict structural and thermal properties [6.875235178607604]
Ab initio molecular dynamics (AIMD) シミュレーションから生成されたデータセットに基づいて学習した神経進化電位(NEP)を導入する。両方の機械学習ポテンシャルを用いて、状態(DOS)と放射分布関数(RDF)のフォノン密度を計算する。 MTP電位はわずかに精度が良いが、NEPは計算速度が41倍に向上する。
論文参考訳（メタデータ） (2024-11-16T23:16:59Z)
Non-asymptotic Convergence of Training Transformers for Next-token Prediction [48.9399496805422]
トランスフォーマーは、シーケンシャルなデータを扱う優れた能力のために、現代の機械学習において驚くべき成功を収めています。本稿では, 単層変圧器のトレーニング力学の微細な非漸近解析を行う。トレーニングされたトランスフォーマーは,データセットシフトによる非トーケン予測能力を示すことを示す。
論文参考訳（メタデータ） (2024-09-25T20:22:06Z)
Higher-Order Equivariant Neural Networks for Charge Density Prediction in Materials [3.7655047338409893]
ChargE3Netは、原子系の電子密度を予測するためのE(3)等価グラフニューラルネットワークである。本稿では,ChargE3Netが分子や材料に対する先行研究よりも優れていることを示す。
論文参考訳（メタデータ） (2023-12-08T21:56:19Z)
SIP: Injecting a Structural Inductive Bias into a Seq2Seq Model by Simulation [75.14793516745374]
本稿では, 構造的帰納バイアスをセック2セックモデルに効率よく注入し, 合成データの構造的変換をシミュレートする方法について述べる。実験の結果,本手法は所望の帰納バイアスを付与し,FSTのようなタスクに対してより優れた数発学習を実現することがわかった。
論文参考訳（メタデータ） (2023-10-01T21:19:12Z)
FC-PINO: High Precision Physics-Informed Neural Operators via Fourier Continuation [60.706803227003995]
FC-PINO(Fourier-Continuation-based PINO)アーキテクチャを導入し、PINOの精度と効率を非周期的および非滑らかなPDEに拡張する。標準的なPINOは、非周期的および非滑らかなPDEを高い精度で、挑戦的なベンチマークで解くのに苦労していることを実証する。対照的に、提案されたFC-PINOは、正確で堅牢でスケーラブルなソリューションを提供し、PINOの代替案よりも大幅に優れている。
論文参考訳（メタデータ） (2022-11-29T06:37:54Z)
Learning Physics-Informed Neural Networks without Stacked Back-propagation [82.26566759276105]
我々は,物理インフォームドニューラルネットワークのトレーニングを著しく高速化する新しい手法を開発した。特に、ガウス滑らか化モデルによりPDE解をパラメータ化し、スタインの恒等性から導かれる2階微分がバックプロパゲーションなしで効率的に計算可能であることを示す。実験の結果,提案手法は通常のPINN訓練に比べて2桁の精度で競合誤差を実現できることがわかった。
論文参考訳（メタデータ） (2022-02-18T18:07:54Z)
Comparison of Optical Response from DFT Random Phase Approximation and Low-Energy Effective Model: Strained Phosphorene [0.0]
低エネルギー有効モデルと密度汎関数理論(DFT)の両方を用いて分散誘電率テンソルを比較して比較する。この結果から, 広く使用されているDFTパッケージのランダム位相近似は, 信頼性の高い材料の基本電子特性を予測できるように再検討し, 改善することが示唆された。
論文参考訳（メタデータ） (2021-09-01T18:00:06Z)
Exponentially Weighted l_2 Regularization Strategy in Constructing Reinforced Second-order Fuzzy Rule-based Model [72.57056258027336]
従来の高木スゲノカン(TSK)型ファジィモデルでは、定数あるいは線形関数がファジィ規則の連続部分として使用されるのが普通である。調和解析で遭遇する重み関数理論にインスパイアされた指数重みアプローチを導入する。
論文参考訳（メタデータ） (2020-07-02T15:42:15Z)
Training Deep Energy-Based Models with f-Divergence Minimization [113.97274898282343]
深部エネルギーベースモデル(EBM)は分布パラメトリゼーションにおいて非常に柔軟であるが、計算的に困難である。所望のf偏差を用いてEMMを訓練するための、f-EBMと呼ばれる一般的な変分フレームワークを提案する。実験の結果,F-EBMは対照的なばらつきよりも優れており,KL以外のf-divergencesを用いたEBMの訓練の利点も示された。
論文参考訳（メタデータ） (2020-03-06T23:11:13Z)

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。