論文の概要: Interpretation of Crystal Energy Landscapes with Kolmogorov-Arnold Networks

• arxiv url: http://arxiv.org/abs/2604.04636v1
• Date: Mon, 06 Apr 2026 12:37:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:19.189288
• Title: Interpretation of Crystal Energy Landscapes with Kolmogorov-Arnold Networks
• Title（参考訳）: Kolmogorov-Arnoldネットワークによる結晶エネルギー景観の解釈
• Authors: Gen Zu, Ning Mao, Claudia Felser, Yang Zhang,
• Abstract要約: 我々は,解釈可能なフレームワークとしてKAN(Kolmogorov-Arnold Networks)を紹介した。 カンは、基礎となる物理的関係を明らかにする学習可能な関数を用いる。 生成エネルギー,バンドギャップ,作業関数の予測における最先端の精度を実現する合成専用モデルであるElement-Weighted Kanを開発した。
• 参考スコア（独自算出の注目度）: 4.3113133384833064
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Characterizing crystalline energy landscapes is essential to predicting thermodynamic stability, electronic structure, and functional behavior. While machine learning (ML) enables rapid property predictions, the "black-box" nature of most models limits their utility for generating new scientific insights. Here, we introduce Kolmogorov-Arnold Networks (KANs) as an interpretable framework to bridge this gap. Unlike conventional neural networks with fixed activation functions, KANs employ learnable functions that reveal underlying physical relationships. We developed the Element-Weighted KAN, a composition-only model that achieves state-of-the-art accuracy in predicting formation energy, band gap, and work function across large-scale datasets. Crucially, without any explicit physical constraints, KANs uncover interpretable chemical trends aligned with the periodic table and quantum mechanical principles through embedding analysis, correlation studies, and principal component analysis. These results demonstrate that KANs provide a powerful framework with high predictive performance and scientific interpretability, establishing a new paradigm for transparent, chemistry-based materials informatics.
• Abstract（参考訳）: 結晶エネルギーのランドスケープを特徴づけることは、熱力学的安定性、電子構造、機能的挙動を予測するのに不可欠である。 機械学習(ML)は高速なプロパティ予測を可能にするが、ほとんどのモデルの"ブラックボックス"の性質は、新しい科学的洞察を生み出すための有用性を制限している。 ここでは、このギャップを埋めるための解釈可能なフレームワークとして、KAN(Kolmogorov-Arnold Networks)を紹介します。 固定活性化関数を持つ従来のニューラルネットワークとは異なり、kansは学習可能な関数を使用し、基礎となる物理的関係を明らかにする。 我々は,大規模データセット間の生成エネルギー,バンドギャップ,作業関数の予測において,最先端の精度を実現する合成専用モデルであるElement-Weighted Kanを開発した。 重要なことは、明確な物理的制約なしに、カンは埋め込み分析、相関研究、主成分分析を通じて周期表と量子力学原理に沿った解釈可能な化学トレンドを明らかにする。 これらの結果から、カンは高い予測性能と科学的解釈可能性を持つ強力な枠組みを提供し、透明な化学材料情報学の新たなパラダイムを確立した。

関連論文リスト

• Foundation Models for Discovery and Exploration in Chemical Space [57.97784111110166]
  MISTは、大規模なラベルなしデータセットに基づいて訓練された分子基盤モデルのファミリーである。 我々は、これらのモデルが化学空間をまたいだ現実世界の問題を解決する能力を実証する。
  論文  参考訳（メタデータ） (2025-10-20T17:56:01Z)
• CLOUD: A Scalable and Physics-Informed Foundation Model for Crystal Representation Learning [0.0]
  CLOUD(Crystal Language mOdel for Unified and Differentiable Materials Modeling)は,新しいSCOPE(Symmetry-Consistent SCOPE)をトレーニングしたトランスフォーマーベースのフレームワークである。 CLOUDは600万以上の結晶構造で事前訓練されており、幅広い材料特性を予測する上での競争性能を達成する。 異種材料モデリングの概念の証明として, フォノン内部エネルギーと熱容量の予測にCLOUDを適用した。
  論文  参考訳（メタデータ） (2025-06-19T15:45:24Z)
• Kolmogorov-Arnold Network for Transistor Compact Modeling [7.87021540115765]
  NNベースのトランジスタ・コンパクト・モデリングはデバイス・モデリングとSPICE回路シミュレーションの高速化のための変換ソリューションとして登場した。 この研究は、物理学に基づく関数モデリングにおいて高い精度で解釈可能性とシームレスに統合する、画期的なNNアーキテクチャを初めて導入する。 以上の結果から,カナとフカンはゲート電流ドレイン電荷,ソース電荷などの臨界値に対して,常に優れた予測精度を達成できることが判明した。
  論文  参考訳（メタデータ） (2025-03-19T13:49:50Z)
• Causal Discovery from Data Assisted by Large Language Models [50.193740129296245]
  知識駆動発見のために、実験データと事前のドメイン知識を統合することが不可欠である。 本稿では、高分解能走査透過電子顕微鏡(STEM)データと大規模言語モデル(LLM)からの洞察を組み合わせることで、このアプローチを実証する。 SmドープBiFeO3(SmBFO)におけるChatGPTをドメイン固有文献に微調整することにより、構造的、化学的、分極的自由度の間の因果関係をマッピングするDAG(Directed Acyclic Graphs)の隣接行列を構築する。
  論文  参考訳（メタデータ） (2025-03-18T02:14:49Z)
• Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
  本稿では, イオン伝導体の迅速かつ信頼性の高いスクリーニング手法として, 普遍的な原子間ポテンシャルの解析手法を提案する。 第一原理計算では,10種中8種が室温で超イオン性であることが確認された。 本手法は, 機械学習電位によって駆動される分子動力学と比較して約50倍の高速化係数を達成し, 第一原理分子動力学に比べて少なくとも3,000倍高速である。
  論文  参考訳（メタデータ） (2024-11-11T09:01:36Z)
• CrysAtom: Distributed Representation of Atoms for Crystal Property Prediction [0.0]
  物質科学の文献では、結晶性物質がトポロジカルな構造を示すことはよく知られている。 本稿では,原子の密度ベクトル表現を生成するために,無相関結晶データを用いた教師なしフレームワーク,CrysAtomを提案する。
  論文  参考訳（メタデータ） (2024-09-07T06:58:55Z)
• Predicting Oxide Glass Properties with Low Complexity Neural Network and Physical and Chemical Descriptors [1.8734449181723827]
  酸化物ガラスの特性予測性能を向上させる低複雑性ニューラルネットワーク(LCNN)を提案する。 ガラス部品の大規模なデータセット(50000)をトレーニングすることにより、LCNNはXGBoostのような最先端のアルゴリズムより優れていることを示す。 LCNNモデルの普遍性を,オリジナルトレーニングセットに存在しない新しいコンポーネントを持つ眼鏡の特性を予測して示す。
  論文  参考訳（メタデータ） (2022-10-19T12:23:30Z)
• Multi-task learning for electronic structure to predict and explore molecular potential energy surfaces [39.228041052681526]
  我々はOrbNetモデルを洗練し、分子のエネルギー、力、その他の応答特性を正確に予測する。 このモデルは、すべての電子構造項に対する解析的勾配の導出により、エンドツーエンドで微分可能である。 ドメイン固有の特徴を用いることにより、化学空間をまたいで移動可能であることが示されている。
  論文  参考訳（メタデータ） (2020-11-05T06:48:46Z)
• Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
  無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。 モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。 その結果,クロスバリデーションにより予測精度が期待できることがわかった。
  論文  参考訳（メタデータ） (2020-05-27T13:32:10Z)
• Parsimonious neural networks learn interpretable physical laws [77.34726150561087]
  本稿では、ニューラルネットワークと進化的最適化を組み合わせたパシモニクスニューラルネットワーク(PNN)を提案し、精度とパシモニクスのバランスをとるモデルを求める。 アプローチのパワーと汎用性は、古典力学のモデルを開発し、基本特性から材料の融解温度を予測することによって実証される。
  論文  参考訳（メタデータ） (2020-05-08T16:15:47Z)

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。