論文の概要: Offline Materials Optimization with CliqueFlowmer

• arxiv url: http://arxiv.org/abs/2603.06082v1
• Date: Fri, 06 Mar 2026 09:33:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 13:17:45.495241
• Title: Offline Materials Optimization with CliqueFlowmer
• Title（参考訳）: Clique Flowmerによるオフライン材料最適化
• Authors: Jakub Grudzien Kuba, Benjamin Kurt Miller, Sergey Levine, Pieter Abbeel,
• Abstract要約: オフラインモデルベース最適化(MBO)に基づく代替CMD手法を提案する。 我々はClique Flowmerと呼ばれるドメイン固有モデルを導入し、Clique-based MBOの最近の進歩をトランスフォーマーとフロージェネレーションに取り入れた。 我々は,CliqueFlowmerの最適化能力を検証し,生成する材料が生成ベースラインによって提供される材料よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 89.10003379726857
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in deep learning inspired neural network-based approaches to computational materials discovery (CMD). A plethora of problems in this field involve finding materials that optimize a target property. Nevertheless, the increasingly popular generative modeling methods are ineffective at boldly exploring attractive regions of the materials space due to their maximum likelihood training. In this work, we offer an alternative CMD technique based on offline model-based optimization (MBO) that fuses direct optimization of a target material property into generation. To that end, we introduce a domain-specific model, dubbed CliqueFlowmer, that incorporates recent advances of clique-based MBO into transformer and flow generation. We validate CliqueFlowmer's optimization abilities and show that materials it produces strongly outperform those provided by generative baselines. To enable employment of CliqueFlowmer in specialized materials optimization problems and support interdisciplinary research, we open-source our code at https://github.com/znowu/CliqueFlowmer.
• Abstract（参考訳）: ディープラーニングの最近の進歩は、ニューラルネットワークによる計算材料発見(CMD)へのアプローチに影響を与えた。 この分野における多くの問題には、対象特性を最適化する材料を見つけることが含まれる。 それでも、人気が高まっている生成モデリング手法は、最大限の訓練のために、材料空間の魅力的な領域を大胆に探索するには効果がない。 そこで本研究では,対象の材料特性を直接最適化して生成するオフラインモデルベース最適化(MBO)に基づく代替CMD手法を提案する。 そこで我々はClique Flowmerと呼ばれるドメイン固有モデルを導入し,最近のClique-based MBOの進歩をトランスフォーマとフロー生成に取り入れた。 我々は,CliqueFlowmerの最適化能力を検証し,生成する材料が生成ベースラインによって提供される材料よりも優れていることを示す。 CliqueFlowmerを特殊な材料最適化問題に活用し、学際的な研究を支援するために、私たちはhttps://github.com/znowu/CliqueFlowmer.comでコードをオープンソース化しました。

関連論文リスト

• CrystalGym: A New Benchmark for Materials Discovery Using Reinforcement Learning [21.461755133360796]
  新しい材料の設計と最適化は、主に密度汎関数理論計算を行う高精度な原子シミュレータに依存している。 オンライン強化学習(RL)による材料設計ループにおける直接DFT信号の導入を支援するため,CrystalGymを提案する。 ターゲット特性に条件付けされた結晶を設計するための共通値およびポリシーに基づく強化学習アルゴリズムをベンチマークする。
  論文  参考訳（メタデータ） (2025-09-27T07:02:14Z)
• ADO: Automatic Data Optimization for Inputs in LLM Prompts [36.850626629231705]
  本研究では,プロンプト内の入力データの最適化を通じて,Large Language Models (LLM) の性能を向上させる新しい手法を提案する。 本稿では,コンテンツエンジニアリングと構造改革という,入力データ最適化のための2つの戦略を導入する。
  論文  参考訳（メタデータ） (2025-02-17T04:50:41Z)
• Cliqueformer: Model-Based Optimization with Structured Transformers [102.55764949282906]
  大規模なニューラルネットワークは予測タスクに優れるが、タンパク質工学や材料発見といった設計問題への応用には、オフラインモデルベース最適化(MBO)の問題を解決する必要がある。 機能的グラフィカルモデル(FGM)を用いてブラックボックス関数の構造を学習するトランスフォーマーベースのアーキテクチャであるCliqueformerを提案する。 化学および遺伝子設計タスクを含む様々な領域において、Cliqueformerは既存の方法よりも優れた性能を示している。
  論文  参考訳（メタデータ） (2024-10-17T00:35:47Z)
• Investigation of reinforcement learning for shape optimization of profile extrusion dies [1.5293427903448022]
  強化学習(Reinforcement Learning, RL)は、学習に基づく最適化アルゴリズムである。 RLは、エージェントと環境との試行錯誤の相互作用に基づいている。 この手法を2つの2次元テストケースに適用して検討する。
  論文  参考訳（メタデータ） (2022-12-23T08:53:09Z)
• Surrogate-Based Black-Box Optimization Method for Costly Molecular Properties [0.0]
  本稿では,サロゲートをベースとしたブラックボックス最適化手法を提案する。 提案手法は, 純粋にメタヒューリスティックなアプローチよりもはるかに高速に, 利害関係のコスト特性を最適化できることを示す。
  論文  参考訳（メタデータ） (2021-10-01T15:28:15Z)
• Conservative Objective Models for Effective Offline Model-Based Optimization [78.19085445065845]
  計算設計の問題は、合成生物学からコンピュータアーキテクチャまで、様々な場面で発生している。 本研究では,分布外入力に対する接地的目標の実際の値を低くする目的関数のモデルを学習する手法を提案する。 COMは、様々なMBO問題に対して、既存のメソッドの実装と性能の面では単純である。
  論文  参考訳（メタデータ） (2021-07-14T17:55:28Z)
• Learning to Continuously Optimize Wireless Resource in a Dynamic Environment: A Bilevel Optimization Perspective [52.497514255040514]
  この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。 学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。 我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
  論文  参考訳（メタデータ） (2021-05-03T07:23:39Z)

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。