論文の概要: PolyMon: A Unified Framework for Polymer Property Prediction

• arxiv url: http://arxiv.org/abs/2603.13303v1
• Date: Mon, 02 Mar 2026 14:21:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.285047
• Title: PolyMon: A Unified Framework for Polymer Property Prediction
• Title（参考訳）: PolyMon: 高分子特性予測のための統一フレームワーク
• Authors: Gaopeng Ren, Yijie Yang, Jiajun Zhou, Kim E. Jelfs,
• Abstract要約: PolyMonは、複数のポリマー表現、機械学習メソッド、トレーニング戦略を統合する、統一的でアクセス可能なフレームワークである。 我々は5つの重要なポリマー特性をベンチマークとして、表現とモデルが予測性能にどのように影響するかを評価する。 全体としてPolyMonは、機械学習ベースのポリマー特性予測のベンチマークと前進のための総合的で基盤を提供する。
• 参考スコア（独自算出の注目度）: 5.92744716253349
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate prediction of polymer properties is essential for materials design, but remains challenging due to data scarcity, diverse polymer representations, and the lack of systematic evaluation across modelling choices. Here, we present PolyMon, a unified and accessible framework that integrates multiple polymer representations, machine learning methods, and training strategies within a single, accessible platform. PolyMon supports various descriptors and graph construction strategies for polymer representations, and includes a wide range of models, from tabular models to graph neural networks, along with flexible training strategies including multi-fidelity learning, Δ-learning, active learning, and ensemble learning. Using five key polymer properties as benchmarks, we perform systematic evaluations to assess how representations and models affect predictive performance. These case studies further illustrate how different training strategies can be applied within a consistent workflow to leverage limited data and incorporate physical model derived information. Overall, PolyMon provides a comprehensive and extensible foundation for benchmarking and advancing machine learning-based polymer property prediction. The code is available at github.com/fate1997/polymon.
• Abstract（参考訳）: 高分子物性の正確な予測は材料設計には不可欠であるが, データの不足, 多様なポリマー表現, モデリング選択の体系的評価の欠如により, 依然として困難である。 本稿では、複数のポリマー表現、機械学習メソッド、トレーニング戦略を統合した、統一的でアクセス可能なフレームワークであるPolyMonについて述べる。 PolyMonは、多要素学習、Δ学習、アクティブ学習、アンサンブル学習を含む柔軟なトレーニング戦略とともに、表モデルからグラフニューラルネットワークまで幅広いモデルを含んでいる。 5つの重要なポリマー特性をベンチマークとして、表現とモデルが予測性能に与える影響を評価するための体系的な評価を行う。 これらのケーススタディは、一定のワークフロー内で異なるトレーニング戦略を適用して、限られたデータを活用し、物理的モデルから派生した情報を組み込む方法をさらに説明します。 全体としてPolyMonは、機械学習ベースのポリマー特性予測のベンチマークと前進のための、包括的で拡張可能な基盤を提供する。 コードはgithub.com/fate1997/polymonで入手できる。

関連論文リスト

• PolySet: Restoring the Statistical Ensemble Nature of Polymers for Machine Learning [0.0]
  重合体を仮定したモル質量分布からサンプリングした鎖の有限重み付けアンサンブルとして表現するフレームワークであるPolySetを紹介する。 高分子物質の統計的性質を明確に認識することで、PolySetは将来の高分子機械学習のための物理的基盤を確立する。
  論文  参考訳（メタデータ） (2025-12-15T10:50:48Z)
• POINT$^{2}$: A Polymer Informatics Training and Testing Database [15.45788515943579]
  POINT$2$ (Polymer Informatics Training and Testing) は、高分子情報学における重要な課題に対処するために設計されたベンチマークデータベースとプロトコルである。 我々は、量子ランダムフォレスト、ドロップアウト付き多層パーセプトロン、グラフニューラルネットワーク、事前訓練された大規模言語モデルを含むMLモデルのアンサンブルを開発する。 これらのモデルは、Morgan、MACCS、RDKit、Topological、Atom Pairの指紋、グラフベースの記述子といった多様なポリマー表現と結合している。
  論文  参考訳（メタデータ） (2025-03-30T15:46:01Z)
• Multimodal machine learning with large language embedding model for polymer property prediction [2.525624865489335]
  本稿では,高分子特性予測タスクに対して,単純で効果的なマルチモーダルアーキテクチャであるPolyLLMemを提案する。 PolyLLMemは、Llama 3によって生成されたテキスト埋め込みとUni-Mol由来の分子構造埋め込みを統合する。 その性能は、グラフベースのモデルやトランスフォーマーベースのモデルと同等であり、場合によってはそれ以上である。
  論文  参考訳（メタデータ） (2025-03-29T03:48:11Z)
• Model Merging in LLMs, MLLMs, and Beyond: Methods, Theories, Applications and Opportunities [89.40778301238642]
  モデルマージは、機械学習コミュニティにおける効率的なエンパワーメント技術である。 これらの手法の体系的かつ徹底的なレビューに関する文献には大きなギャップがある。
  論文  参考訳（メタデータ） (2024-08-14T16:58:48Z)
• PolyCL: Contrastive Learning for Polymer Representation Learning via Explicit and Implicit Augmentations [1.7695773264807546]
  ラベルを使わずに高品質なポリマー表現を学習するための,自己指導型コントラスト学習パラダイムであるPolyCLを提案する。 我々のモデルは、学習性能を向上させるために、明示的かつ暗黙的な拡張戦略を組み合わせる。
  論文  参考訳（メタデータ） (2024-08-14T13:43:22Z)
• StableLLaVA: Enhanced Visual Instruction Tuning with Synthesized Image-Dialogue Data [129.92449761766025]
  本稿では,視覚的インストラクションチューニングのための画像と対話を同期的に合成する新しいデータ収集手法を提案する。 このアプローチは生成モデルのパワーを活用し、ChatGPTとテキスト・ツー・イメージ生成モデルの能力とを結合する。 本研究は,各種データセットを対象とした総合的な実験を含む。
  論文  参考訳（メタデータ） (2023-08-20T12:43:52Z)
• Dynamic Latent Separation for Deep Learning [67.62190501599176]
  機械学習の中核的な問題は、複雑なデータに対するモデル予測のための表現力のある潜在変数を学習することである。 本稿では,表現性を向上し,部分的解釈を提供し,特定のアプリケーションに限定されないアプローチを開発する。
  論文  参考訳（メタデータ） (2022-10-07T17:56:53Z)
• PAC Reinforcement Learning for Predictive State Representations [60.00237613646686]
  部分的に観察可能な力学系におけるオンライン強化学習(RL)について検討する。 我々は、他のよく知られたモデルをキャプチャする表現モデルである予測状態表現(PSR)モデルに焦点を当てる。 我々は,サンプル複雑性のスケーリングにおいて,ほぼ最適なポリシを学習可能な,PSRのための新しいモデルベースアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-07-12T17:57:17Z)
• Model-agnostic multi-objective approach for the evolutionary discovery of mathematical models [55.41644538483948]
  現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。 合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
  論文  参考訳（メタデータ） (2021-07-07T11:17:09Z)

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。