論文の概要: Pushing the limits of unconstrained machine-learned interatomic potentials

• arxiv url: http://arxiv.org/abs/2601.16195v1
• Date: Thu, 22 Jan 2026 18:46:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-23 21:37:20.696083
• Title: Pushing the limits of unconstrained machine-learned interatomic potentials
• Title（参考訳）: 制約のない機械学習型原子間ポテンシャルの限界を押し上げる
• Authors: Filippo Bigi, Paolo Pegolo, Arslan Mazitov, Michele Ceriotti,
• Abstract要約: 機械学習型原子間ポテンシャル(MLIP)は、計算的に要求される電子構造計算を置き換えるためにますます用いられる。 制約のないモデルでは、物理的に制約されたモデルと比較して精度と速度が優れていることを示す。
• 参考スコア（独自算出の注目度）: 1.4111179565053178
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine-learned interatomic potentials (MLIPs) are increasingly used to replace computationally demanding electronic-structure calculations to model matter at the atomic scale. The most commonly used model architectures are constrained to fulfill a number of physical laws exactly, from geometric symmetries to energy conservation. Evidence is mounting that relaxing some of these constraints can be beneficial to the efficiency and (somewhat surprisingly) accuracy of MLIPs, even though care should be taken to avoid qualitative failures associated with the breaking of physical symmetries. Given the recent trend of \emph{scaling up} models to larger numbers of parameters and training samples, a very important question is how unconstrained MLIPs behave in this limit. Here we investigate this issue, showing that -- when trained on large datasets -- unconstrained models can be superior in accuracy and speed when compared to physically constrained models. We assess these models both in terms of benchmark accuracy and in terms of usability in practical scenarios, focusing on static simulation workflows such as geometry optimization and lattice dynamics. We conclude that accurate unconstrained models can be applied with confidence, especially since simple inference-time modifications can be used to recover observables that are consistent with the relevant physical symmetries.
• Abstract（参考訳）: 機械学習型原子間ポテンシャル(MLIP)は、原子スケールで物質をモデル化するために、計算的に要求される電子構造計算を置き換えるためにますます使われている。 最も一般的に使用されるモデルアーキテクチャは、幾何学的対称性からエネルギー保存まで、多くの物理法則を正確に満たすために制約されている。 これらの制約の緩和は、物理対称性の破れに伴う定性的な失敗を避けるために注意する必要があるにもかかわらず、MLIPの効率と(驚くほど)正確性に有益である、という証拠が浮上している。 最近の'emph{scaling up}モデルから多くのパラメータやトレーニングサンプルへのトレンドを考えると、制約のないMLIPがこの制限の中でどのように振る舞うのか、非常に重要な疑問である。 ここでは、この問題を調査し、大規模なデータセットでトレーニングされた場合、制約のないモデルは、物理的に制約されたモデルと比較して精度と速度が優れていることを示した。 我々は,これらのモデルについて,ベンチマーク精度と実用シナリオにおけるユーザビリティの両面から評価し,幾何最適化や格子力学などの静的シミュレーションワークフローに着目した。 特に、単純な推論時間修正を用いて、関連する物理対称性と整合した観測対象を復元できるため、正確で制約のないモデルに信頼性を持たせることができると結論付けている。

関連論文リスト

• SEAL - A Symmetry EncourAging Loss for High Energy Physics [0.005211875900848231]
  対称性を明示的に尊重するマシンラーニングモデルの構築は、専用のコンポーネントを必要とするため、難しい場合がある。 我々は,モデルが正確な対称性を強制するのではなく,学習過程における追加対称性の重要性を決定できるようなソフト制約を導入する。
  論文  参考訳（メタデータ） (2025-11-03T19:00:13Z)
• Reframing Generative Models for Physical Systems using Stochastic Interpolants [45.16806809746592]
  生成モデルは物理系の強力なサロゲートとして現れ、精度、安定性、および/または統計的忠実度が向上した。 ほとんどのアプローチは、PDEや気候などの力学系における自己回帰予測タスクにおいて、最も効果的でない選択であるガウシアンを反復的に飾ることに依存している。 本研究では,様々な物理領域やタスクにまたがる生成モデルをベンチマークし,補間剤の役割を強調した。
  論文  参考訳（メタデータ） (2025-09-30T14:02:00Z)
• Training-Free Constrained Generation With Stable Diffusion Models [41.391765899175276]
  安定拡散モデルは、様々な領域にまたがるデータ合成における最先端のモデルである。 既存のテクニックは、遅延拡散フレームワークの適用性に制限されるか、ドメイン固有の制約を厳格に強制する能力に欠ける。 本稿では, 安定拡散モデルと制約付き最適化フレームワークとの新たな統合を提案し, 厳密な物理的および機能的要求を満たす出力の生成を可能にする。
  論文  参考訳（メタデータ） (2025-02-08T16:11:17Z)
• Probing the effects of broken symmetries in machine learning [0.0]
  我々は,非対称モデルがデータから対称性を学習できることを示す。 我々は、対称性の破れによって、直接的または間接的に影響を受けやすい物理的観測物に特に焦点を合わせ、モデルが補間的でバルクな状態で使用されるとき、無視可能な結果を見つける。
  論文  参考訳（メタデータ） (2024-06-25T17:34:09Z)
• Scaling and renormalization in high-dimensional regression [72.59731158970894]
  リッジ回帰に関する最近の結果について統一的な視点を提示する。 我々は、物理とディープラーニングの背景を持つ読者を対象に、ランダム行列理論と自由確率の基本的なツールを使用する。 我々の結果は拡張され、初期のスケーリング法則のモデルについて統一的な視点を提供する。
  論文  参考訳（メタデータ） (2024-05-01T15:59:00Z)
• Similarity Equivariant Graph Neural Networks for Homogenization of Metamaterials [3.6443770850509423]
  ソフトで多孔質なメカニカルメタマテリアルは、ソフトロボティクス、音の低減、バイオメディシンに重要な応用をもたらすパターン変換を示す。 我々は、代理モデルとして機能するために好意的にスケールする機械学習ベースのアプローチを開発する。 このネットワークは、対称性の少ないグラフニューラルネットワークよりも正確で、データ効率が高いことを示す。
  論文  参考訳（メタデータ） (2024-04-26T12:30:32Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
  グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。 物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。 本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
  論文  参考訳（メタデータ） (2022-10-13T10:00:30Z)
• A data-driven peridynamic continuum model for upscaling molecular dynamics [3.1196544696082613]
  分子動力学データから最適線形ペリダイナミックソリッドモデルを抽出する学習フレームワークを提案する。 我々は,符号変化の影響関数を持つ離散化LPSモデルに対して,十分な適切な正当性条件を提供する。 このフレームワークは、結果のモデルが数学的に適切であり、物理的に一貫したものであり、トレーニング中に使用するものと異なる設定によく当てはまることを保証します。
  論文  参考訳（メタデータ） (2021-08-04T07:07:47Z)
• 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)

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。