論文の概要: How Far Can You Grow? Characterizing the Extrapolation Frontier of Graph Generative Models for Materials Science

• arxiv url: http://arxiv.org/abs/2602.09309v1
• Date: Tue, 10 Feb 2026 00:59:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-11 20:17:43.30463
• Title: How Far Can You Grow? Characterizing the Extrapolation Frontier of Graph Generative Models for Materials Science
• Title（参考訳）: どこまで成長できるか? 物質科学のためのグラフ生成モデルの外挿フロンティアを特徴づける
• Authors: Can Polat, Erchin Serpedin, Mustafa Kurban, Hasan Kurban,
• Abstract要約: RADIIは75,000ドルのナノ粒子のベンチマークで、連続的なスケーリングノブとして、トレース生成の品質を扱います。 RADIIはフロンティア固有の診断を提供する: ラジウス毎のエラープロファイルは、各アーキテクチャのスケーリング天井をピンポイントし、エラーが境界から発生したか、あるいはバルクで発生したかの表面分解テストを行い、クロスメトリックな障害シークエンシングは、構造的忠実性のどの側面が最初に壊れるかを明らかにする。 これらの結果は、幾何生成モデルの第一級評価軸として出力スケールを確立した。
• 参考スコア（独自算出の注目度）: 2.3982445219832678
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Every generative model for crystalline materials harbors a critical structure size beyond which its outputs quietly become unreliable -- we call this the extrapolation frontier. Despite its direct consequences for nanomaterial design, this frontier has never been systematically measured. We introduce RADII, a radius-resolved benchmark of ${\sim}$75,000 nanoparticle structures (55-11,298 atoms) that treats radius as a continuous scaling knob to trace generation quality from in-distribution to out-of-distribution regimes under leakage-free splits. RADII provides frontier-specific diagnostics: per-radius error profiles pinpoint each architecture's scaling ceiling, surface-interior decomposition tests whether failures originate at boundaries or in bulk, and cross-metric failure sequencing reveals which aspect of structural fidelity breaks first. Benchmarking five state-of-the-art architectures, we find that: (i) all models degrade by ${\sim}13\%$ in global positional error beyond training radii, yet local bond fidelity diverges wildly across architectures -- from near-zero to over $2\times$ collapse; (ii) no two architectures share the same failure sequence, revealing the frontier as a multi-dimensional surface shaped by model family; and (iii) well-behaved models obey a power-law scaling exponent $α\approx 1/3$ whose in-distribution fit accurately predicts out-of-distribution error, making their frontiers quantitatively forecastable. These findings establish output scale as a first-class evaluation axis for geometric generative models. The dataset and code are available at https://github.com/KurbanIntelligenceLab/RADII.
• Abstract（参考訳）: 結晶性物質の生成モデルには、その出力が静かに信頼性を欠くような限界的な構造サイズがあり、これを外挿フロンティアと呼ぶ。 ナノマテリアル設計への直接的な影響にもかかわらず、このフロンティアは体系的に測定されたことはない。 我々は,半径を連続スケーリングノブとして扱う${\sim}$75,000ナノ粒子構造(55-11,298原子)の半径分解ベンチマークであるRADIIを紹介した。 RADIIはフロンティア固有の診断を提供する: ラジウス毎のエラープロファイルは、各アーキテクチャのスケーリング天井をピンポイントし、エラーが境界から発生したか、あるいはバルクで発生したかの表面分解テストを行い、クロスメトリックな障害シークエンシングは、構造的忠実性のどの側面が最初に壊れるかを明らかにする。 最先端の5つのアーキテクチャをベンチマークすると、以下のことが分かる。 (i)全てのモデルは、トレーニングラディを超えてグローバルな位置誤差で${\sim}13\%$で低下するが、局所的な債券の忠実度は、ほぼゼロから2\times$の崩壊まで、アーキテクチャ全体にわたって大きく変動する。 (ii) モデルファミリによって形成された多次元表面としてフロンティアを明らかにする2つのアーキテクチャは同じ失敗シーケンスを共有していない。 (三)善行モデルは、配当不一致が配当誤差を正確に予測し、フロンティアを定量的に予測できるパワーロースケーリング指数$α\approx 1/3$に従う。 これらの結果は、幾何生成モデルの第一級評価軸として出力スケールを確立した。 データセットとコードはhttps://github.com/KurbanIntelligenceLab/RADIIで公開されている。

関連論文リスト

• GLOBE: Accurate and Generalizable PDE Surrogates using Domain-Inspired Architectures and Equivariances [0.0]
  GLOBEは、学習可能なグリーン関数のようなカーネルの重ね合わせとして、境界面からターゲットへ評価されるソリューションである。 AirFRANSでは、GLOBEは相当な精度向上を実現している。 結果は、厳密な物理学とドメインにインスパイアされた帰納的バイアスが、精度、一般化可能性、実用性に大きな利益をもたらすことを示した。
  論文  参考訳（メタデータ） (2025-11-19T20:23:51Z)
• ArchComplete: Autoregressive 3D Architectural Design Generation with Hierarchical Diffusion-Based Upsampling [0.0]
  ArchCompleteはベクトル量子化モデルからなる2段階のボクセルベースの3D生成パイプラインである。 パイプラインのキーとなるのは、(i) 2.5Dの知覚的損失とともに最適化された、ローカルなパッチ埋め込みのコンテキスト的にリッチなコードブックを学習することです。 ArchCompleteは643ドルという解像度で自動回帰的にモデルを生成し、それを5123ドルまで改良する。
  論文  参考訳（メタデータ） (2024-12-23T20:13:27Z)
• Learning with Norm Constrained, Over-parameterized, Two-layer Neural Networks [54.177130905659155]
  近年の研究では、再生カーネルヒルベルト空間(RKHS)がニューラルネットワークによる関数のモデル化に適した空間ではないことが示されている。 本稿では,有界ノルムを持つオーバーパラメータ化された2層ニューラルネットワークに適した関数空間について検討する。
  論文  参考訳（メタデータ） (2024-04-29T15:04:07Z)
• Machine learning algorithms for three-dimensional mean-curvature computation in the level-set method [0.0]
  レベルセット法のためのデータ駆動平均曲率解法を提案する。 提案方式は, 現在の粒子界面再構成よりも高精度な平均曲率推定を行うことができる。
  論文  参考訳（メタデータ） (2022-08-18T20:19:22Z)
• $\texttt{FedBC}$: Calibrating Global and Local Models via Federated Learning Beyond Consensus [66.62731854746856]
  フェデレートラーニング(FL)では、デバイス全体にわたるモデル更新の集約を通じて、グローバルモデルを協調的に学習する目的は、ローカル情報を通じたパーソナライズという目標に反対する傾向にある。 本研究では,このトレードオフを多基準最適化により定量的にキャリブレーションする。 私たちは、$texttFedBC$が、スイートデータセット間でグローバルおよびローカルモデルのテスト精度のメトリクスのバランスをとることを実証しています。
  論文  参考訳（メタデータ） (2022-06-22T02:42:04Z)
• Divergence Frontiers for Generative Models: Sample Complexity, Quantization Level, and Frontier Integral [58.434753643798224]
  多様性フロンティアは生成モデルの評価フレームワークとして提案されている。 分岐フロンティアのプラグイン推定器のサンプル複雑性の非漸近的境界を確立する。 また,スムーズな分布推定器の統計的性能を調べることにより,分散フロンティアの枠組みも強化する。
  論文  参考訳（メタデータ） (2021-06-15T06:26:25Z)
• GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
  分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。 既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。 エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
  論文  参考訳（メタデータ） (2021-06-08T14:17:59Z)
• The Generalized Lasso with Nonlinear Observations and Generative Priors [63.541900026673055]
  我々は、幅広い測定モデルで満たされるガウス下測度を仮定する。 この結果から, 局所埋込特性を仮定して, 均一回復保証まで拡張できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-22T16:43:35Z)

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。