論文の概要: From Evaluation to Design: Using Potential Energy Surface Smoothness Metrics to Guide Machine Learning Interatomic Potential Architectures

• arxiv url: http://arxiv.org/abs/2602.04861v1
• Date: Wed, 04 Feb 2026 18:50:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.693302
• Title: From Evaluation to Design: Using Potential Energy Surface Smoothness Metrics to Guide Machine Learning Interatomic Potential Architectures
• Title（参考訳）: 評価から設計へ:ポテンシャルエネルギー表面平滑度を用いた機械学習による原子間ポテンシャルアーキテクチャのガイド
• Authors: Ryan Liu, Eric Qu, Tobias Kreiman, Samuel M. Blau, Aditi S. Krishnapriyan,
• Abstract要約: MLIPは量子ポテンシャルエネルギー表面の物理的滑らかさを再現することができない。 マイクロカノニカル分子動力学のような既存の評価は計算に高価であり、主に近平衡状態を研究する。 MLIPの評価基準を改善するためにBSCT(Band Smoothness Characterization Test)を導入する。
• 参考スコア（独自算出の注目度）: 12.68400434984463
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine Learning Interatomic Potentials (MLIPs) sometimes fail to reproduce the physical smoothness of the quantum potential energy surface (PES), leading to erroneous behavior in downstream simulations that standard energy and force regression evaluations can miss. Existing evaluations, such as microcanonical molecular dynamics (MD), are computationally expensive and primarily probe near-equilibrium states. To improve evaluation metrics for MLIPs, we introduce the Bond Smoothness Characterization Test (BSCT). This efficient benchmark probes the PES via controlled bond deformations and detects non-smoothness, including discontinuities, artificial minima, and spurious forces, both near and far from equilibrium. We show that BSCT correlates strongly with MD stability while requiring a fraction of the cost of MD. To demonstrate how BSCT can guide iterative model design, we utilize an unconstrained Transformer backbone as a testbed, illustrating how refinements such as a new differentiable $k$-nearest neighbors algorithm and temperature-controlled attention reduce artifacts identified by our metric. By optimizing model design systematically based on BSCT, the resulting MLIP simultaneously achieves a low conventional E/F regression error, stable MD simulations, and robust atomistic property predictions. Our results establish BSCT as both a validation metric and as an "in-the-loop" model design proxy that alerts MLIP developers to physical challenges that cannot be efficiently evaluated by current MLIP benchmarks.
• Abstract（参考訳）: 機械学習原子間ポテンシャル(MLIP)は、時として量子ポテンシャルエネルギー表面(PES)の物理的滑らかさの再現に失敗し、標準エネルギーと力の回帰評価が見逃すような下流シミュレーションにおいて誤った振る舞いを引き起こす。 マイクロカノニカル分子動力学(MD)のような既存の評価は計算に高価であり、主に近平衡状態を研究する。 MLIPの評価基準を改善するために,Band Smoothness Characterization Test (BSCT)を導入する。 この効率的なベンチマークは、制御された結合変形を通じてPSSをプローブし、不連続性、人工的ミニマ、および平衡から近い、あるいは遠く離れた急激な力を含む非平滑性を検出する。 我々は,BSCTがMDの安定性と強く相関し,MDのコストのごく一部を必要とすることを示した。 BSCTが反復型モデル設計をいかに導出できるかを示すために、制約のないトランスフォーマーのバックボーンをテストベッドとして使用し、新しい微分可能な$k$-nearestの隣り合わせアルゴリズムや温度制御されたアテンションなどの改善が、我々の測定値によって識別されるアーティファクトをいかに低減するかを示す。 BSCTに基づいてモデル設計を体系的に最適化することにより、結果のMLIPは、従来のE/F回帰誤差、安定したMDシミュレーション、堅牢な原子性特性予測を同時に達成する。 その結果,BSCTは,MLIP開発者に対して,現行のMLIPベンチマークでは効率よく評価できない物理的課題を警告する"ループ内"モデル設計プロキシとして,バリデーション指標として確立した。

関連論文リスト

• Pushing the limits of unconstrained machine-learned interatomic potentials [1.4111179565053178]
  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。
  論文  参考訳（メタデータ） (2026-01-22T18:46:58Z)
• 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)
• Physics-Embedded Neural Networks for sEMG-based Continuous Motion Estimation [3.606446851103922]
  sEMGに基づく運動推定法は、しばしば、校正が難しい主観特異的筋骨格モデル(MSK)に依存する。 本稿では,解釈可能なMSKフォワード力学とデータ駆動残差学習を組み合わせた新しい物理埋め込みニューラルネットワーク(PENN)を提案する。
  論文  参考訳（メタデータ） (2025-06-17T16:07:20Z)
• Flow Matching Meets PDEs: A Unified Framework for Physics-Constrained Generation [21.321570407292263]
  本稿では,PDE残差と代数的関係の両方の物理制約をフローマッチングの対象に組み込む生成フレームワークである物理ベースフローマッチングを提案する。 提案手法では,FMよりも高精度な物理残差を最大8倍に抑えながら,分布精度では既存アルゴリズムよりも明らかに優れていることを示す。
  論文  参考訳（メタデータ） (2025-06-10T09:13:37Z)
• Potential failures of physics-informed machine learning in traffic flow modeling: theoretical and experimental analysis [5.055539099879598]
  本研究では,物理インフォームド・機械学習 (PIML) がマクロな交通流モデリングに失敗する原因について検討する。 障害を、PIMLモデルが純粋にデータ駆動と純粋に物理ベースラインの両方を所定の閾値で下回る場合として定義する。 LWRベースのPIMLが高解像度のデータでもARZベースのPIMLより優れている理由を説明する。
  論文  参考訳（メタデータ） (2025-05-16T17:55:06Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• End-to-End Reinforcement Learning of Koopman Models for Economic Nonlinear Model Predictive Control [45.84205238554709]
  本研究では, (e)NMPCの一部として最適性能を示すために, Koopman シュロゲートモデルの強化学習法を提案する。 エンドツーエンドトレーニングモデルは,(e)NMPCにおけるシステム識別を用いてトレーニングしたモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-03T10:21:53Z)
• Physics Informed Neural Networks for Phase Locked Loop Transient Stability Assessment [0.0]
  相ロックループ(PLL)のような電力電子制御器を用いて、グリッドとグリッドの同期性を維持することで、グリッドの故障時に高速な過渡的な動作を引き起こす。 本稿では,少ないラベル付きトレーニングデータを用いて,故障時のコントローラの過渡的ダイナミクスを正確に予測するニューラルネットワークアルゴリズムを提案する。 このアルゴリズムの性能は、CIGREベンチマークモデルC4.49のPSCADにおけるROMとEMTシミュレーションと比較され、グリッドインピーダンスの異なるコントローラの軌道とROAを正確に近似する能力を示している。
  論文  参考訳（メタデータ） (2023-03-21T18:09:20Z)
• Maximum Likelihood Learning of Unnormalized Models for Simulation-Based Inference [44.281860162298564]
  シミュレーションベース推論のための2つの合成確率法を提案する。 本研究では,シミュレータによって生成された合成データを用いて,条件付きエネルギーベースモデル(EBM)を学習する。 本研究は, カニの神経科学ネットワークのモデルに適用し, 各種合成データセット上での両手法の特性を実証する。
  論文  参考訳（メタデータ） (2022-10-26T14:38:24Z)

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。