Fugu-MT 論文翻訳(概要): Thermodynamic assessment of machine learning models for solid-state synthesis prediction

論文の概要: Thermodynamic assessment of machine learning models for solid-state synthesis prediction

arxiv url: http://arxiv.org/abs/2602.04075v1
Date: Tue, 03 Feb 2026 23:25:54 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-05 19:45:11.30733
Title: Thermodynamic assessment of machine learning models for solid-state synthesis prediction
Title（参考訳）: 固体合成予測のための機械学習モデルの熱力学的評価
Authors: Jane Schlesinger, Simon Hjaltason, Nathan J. Szymanski, Christopher J. Bartel,
Abstract要約: 機械学習モデルは、仮説的な固体物質を合成できるかどうかを予測するために最近登場した。本稿では、最近導入されたいくつかの合成予測モデルと物質および反応熱力学のアライメントを評価する。これらのモデルは通常、合成の確率を過大に予測するが、いくつかのモデルスコアは熱力学の傾向を示す。
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: Machine learning models have recently emerged to predict whether hypothetical solid-state materials can be synthesized. These models aim to circumvent direct first-principles modeling of solid-state phase transformations, instead learning from large databases of successfully synthesized materials. Here, we assess the alignment of several recently introduced synthesis prediction models with material and reaction thermodynamics, quantified by the energy with respect to the convex hull and a metric accounting for thermodynamic selectivity of enumerated synthesis reactions. A dataset of successful synthesis recipes was used to determine the likely bounds on both quantities beyond which materials can be deemed unlikely to be synthesized. With these bounds as context, thermodynamic quantities were computed using the CHGNet foundation potential for thousands of new hypothetical materials generated using the Chemeleon generative model. Four recently published machine learning models for synthesizability prediction were applied to this same dataset, and the resultant predictions were considered against computed thermodynamics. We find these models generally overpredict the likelihood of synthesis, but some model scores do trend with thermodynamic heuristics, assigning lower scores to materials that are less stable or do not have an available synthesis recipe that is calculated to be thermodynamically selective. In total, this work identifies existing gaps in machine learning models for materials synthesis and introduces a new approach to assess their quality in the absence of extensive negative examples (failed syntheses).
Abstract（参考訳）: 機械学習モデルは、仮説的な固体物質を合成できるかどうかを予測するために最近登場した。これらのモデルは、固体相変換の直接第一原理モデリングを回避することを目的としており、代わりに、うまく合成された材料の大規模なデータベースから学習する。本稿では,最近導入されたいくつかの合成予測モデルと物質および反応熱力学のアライメントを,凸殻に対するエネルギーおよび列挙合成反応の熱力学的選択性を考慮した計量で評価する。成功した合成レシピのデータセットは、材料が合成される可能性が低いと考えられる両方の量の境界を決定するために使用された。これらの境界を文脈として、チェメレオン生成モデルを用いて数千の新しい仮説物質に対してCHGNet基盤ポテンシャルを用いて熱力学量を計算する。最近発表された4つの機械学習モデルによる合成可能性予測がこのデータセットに適用され、計算熱力学に対する予測が検討された。これらのモデルは通常、合成の可能性を過大に予測しているが、いくつかのモデルスコアは熱力学的ヒューリスティック(英語版)で傾向を示し、低いスコアをより安定でない材料に割り当てたり、熱力学的に選択的に計算された合成レシピを持っていない物質に割り当てる。この研究は、材料合成のための機械学習モデルの既存のギャップを特定し、広範囲なネガティブな例(欠損した合成)がない場合に、それらの品質を評価するための新しいアプローチを導入する。

関連論文リスト

Valid Inference with Imperfect Synthetic Data [39.10587411316875]
モーメントの一般化法に基づく新しい推定器を提案する。合成データのモーメント残差と実データのモーメント間の相互作用は、対象パラメータの推定を大幅に改善できることがわかった。
論文参考訳（メタデータ） (2025-08-08T18:32:52Z)
SynCoTrain: A Dual Classifier PU-learning Framework for Synthesizability Prediction [0.0]
素材の合成可能性を予測するための半教師付き機械学習モデルであるSynCoTrainを提案する。我々のアプローチでは、明示的な負のデータがないことに対処するために、肯定的および非ラベル付き学習(PU)を用いています。モデルは堅牢なパフォーマンスを示し、内部および離脱テストセットで高いリコールを達成する。
論文参考訳（メタデータ） (2024-11-18T19:53:19Z)
Beyond Model Collapse: Scaling Up with Synthesized Data Requires Verification [11.6055501181235]
モデル崩壊防止のための合成データに対する検証手法について検討する。検証器は、たとえ不完全なものであっても、モデル崩壊を防ぐために実際に活用できることが示される。
論文参考訳（メタデータ） (2024-06-11T17:46:16Z)
A thermodynamically consistent physics-informed deep learning material model for short fiber/polymer nanocomposites [0.0]
本研究では, 種々の環境条件下での短繊維強化ナノ粒子充填エポキシスの粘弾性・粘弾性挙動を解析するための物理インフォームド・ディープ・ラーニング(PIDL)モデルを提案する。 PIDLモデルは, 種々の熱水条件下での繊維およびナノ粒子の体積分画に対するエポキシ系ナノコンポジットの力学的挙動を正確に予測することができる。
論文参考訳（メタデータ） (2024-03-27T07:22:32Z)
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)
Synthetic pre-training for neural-network interatomic potentials [0.0]
本研究は,ニューラルネットワークを用いた原子間ポテンシャルモデルにおいて,既存の機械学習ポテンシャルと大規模に比較して得られる合成原子構造データが有用な事前学習課題であることを示す。一度大きな合成データセットで事前訓練すると、これらのモデルはより小さく、量子力学的なモデルに微調整され、計算の練習における数値的精度と安定性が向上する。
論文参考訳（メタデータ） (2023-07-24T17:16:24Z)
Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
論文参考訳（メタデータ） (2022-11-03T14:49:02Z)
RetroXpert: Decompose Retrosynthesis Prediction like a Chemist [60.463900712314754]
そこで我々は, テンプレートフリーな自動逆合成拡張アルゴリズムを考案した。我々の方法はレトロシンセシスを2段階に分解する。最先端のベースラインよりも優れている一方で、我々のモデルは化学的に合理的な解釈も提供する。
論文参考訳（メタデータ） (2020-11-04T04:35:34Z)
Predictive Synthesis of Quantum Materials by Probabilistic Reinforcement Learning [1.4680035572775534]
本研究では, 半超電導単層MoS$_2$の量子材料に対する最適合成スケジュールの予測に強化学習を用いる。このモデルは、多相ヘテロ構造を含む複雑な構造の合成のためのプロファイルを予測するために拡張することができる。
論文参考訳（メタデータ） (2020-09-14T20:50:45Z)
Learning Graph Models for Retrosynthesis Prediction [90.15523831087269]
再合成予測は有機合成の基本的な問題である。本稿では,前駆体分子のグラフトポロジーが化学反応中にほとんど変化しないという考え方を生かしたグラフベースのアプローチを提案する。提案モデルでは,テンプレートフリーおよび半テンプレートベースの手法よりも高い5,3.7%の精度でトップ1の精度を実現している。
論文参考訳（メタデータ） (2020-06-12T09:40:42Z)

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。