論文の概要: PRISMat: Policy-Driven, Permutation-Invariant Autoregressive Material Generation

• arxiv url: http://arxiv.org/abs/2605.16612v1
• Date: Fri, 15 May 2026 20:27:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:46.800882
• Title: PRISMat: Policy-Driven, Permutation-Invariant Autoregressive Material Generation
• Title（参考訳）: PRISMat: 政策駆動型、置換不変な自己回帰材料生成
• Authors: Claire Schlesinger, Circe Hsu, Peter Schindler, Robin Walters,
• Abstract要約: 大規模言語モデル(LLM)はパラメータ重で計算コストが高い。 コスト効率の良い置換不変モデルであるPRISMatを提案する。 PRISMat は, 推定時間が少ないにもかかわらず, 臨界材料の表面特性を条件とした結晶スラブの生成において LLM よりも優れることを示す。
• 参考スコア（独自算出の注目度）: 9.705199656826824
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Rapid identification of candidate materials with target properties has become a key task in materials science. Machine learning has emerged as an alternative to physics-based simulation, offering a faster and cheaper way to filter materials based on their stability and other target properties, reducing the number of candidates that reach the costly synthesis stage. Recently, Large Language Models (LLMs) have been applied to this role, but these models are parameter-heavy and computationally expensive both during training and at inference time, making them unsuitable for high-throughput tasks. This inefficiency stems from both the large over-parameterization of language models and the difficulty of framing material generation as a sequence learning problem. In this paper, we present PRISMat, a cost-effective, permutation-invariant model, which addresses these limitations. We show that PRISMat, despite taking less time for inference, is able to outperform LLMs in generating crystal slabs conditioned on critical materials' surface properties. In targeted material discovery, we achieve mean absolute errors of 0.188 eV/A$^2$ and 2.79 eV for cleavage energy and work function tasks, respectively, reducing the error of the next best model by 4$\times$.
• Abstract（参考訳）: 対象とする特性を持つ候補物質の迅速同定は, 材料科学において重要な課題となっている。 機械学習は物理学に基づくシミュレーションの代替として登場し、安定性やその他のターゲット特性に基づいて材料を高速かつ安価にフィルタリングする方法を提供し、コストのかかる合成段階に達する候補の数を削減している。 近年,Large Language Models (LLMs) がこの役割に応用されているが,これらのモデルはトレーニング時と推論時の両方でパラメータ重で計算コストが高いため,高スループットタスクには適さない。 この非効率性は、言語モデルの大規模な過度パラメータ化と、シーケンス学習問題としてのフレーミング材料生成の難しさの両方に起因している。 本稿では,これらの制約に対処する費用効率のよい置換不変モデルであるPRISMatを提案する。 PRISMat は, 推定時間が少ないにもかかわらず, 臨界材料の表面特性を条件とした結晶スラブの生成において LLM よりも優れることを示す。 対象物質探索において, 破壊エネルギーおよび作業関数タスクに対する平均絶対誤差0.188 eV/A$^2$と2.79 eVを実現し, 次の最適モデルの誤差を4$\times$に削減する。

関連論文リスト

• PLaID++: A Preference Aligned Language Model for Targeted Inorganic Materials Design [0.1408690282236036]
  安定かつ特性誘導型結晶生成のためのLLMポストトレーニングであるPLaID++を紹介する。 結晶学的な表現と報酬の定式化にパフォーマンスのヒンジがあることがわかった。
  論文  参考訳（メタデータ） (2025-09-08T18:57:57Z)
• A Materials Foundation Model via Hybrid Invariant-Equivariant Architectures [53.273077346444886]
  機械学習の原子間ポテンシャル(MLIP)は材料のエネルギー、力、ストレスを予測する。 MLIPにおける重要な設計選択は、不変アーキテクチャと同変アーキテクチャのトレードオフである。 HIENetは、不変層と同変層の両方を統合した、ハイブリッド不変・同変物質間ポテンシャルモデルである。
  論文  参考訳（メタデータ） (2025-02-25T18:01:05Z)
• Evaluating Language Models as Synthetic Data Generators [99.16334775127875]
  AgoraBenchは、LMのデータ生成能力を評価するための標準化された設定とメトリクスを提供するベンチマークである。 6つのLMを使って126万のトレーニングインスタンスを合成し、99の学生モデルをトレーニングすることで、LMのデータ生成能力に関する重要な洞察を明らかにする。
  論文  参考訳（メタデータ） (2024-12-04T19:20:32Z)
• Step-by-Step Unmasking for Parameter-Efficient Fine-tuning of Large Language Models [18.877891285367216]
  我々はパラメータの重要度を連続的に計算する新しい選択型PEFT法である$textID3$を紹介した。 解析的に、$textID3$は勾配更新数を2倍に減らし、計算効率が向上することを示した。
  論文  参考訳（メタデータ） (2024-08-26T17:58:53Z)
• SciQu: Accelerating Materials Properties Prediction with Automated Literature Mining for Self-Driving Laboratories [0.7673339435080445]
  特定の属性を予測するために異なる材料特性を評価することは、材料科学に基づく応用の基本的な要件である。 本研究は,機械学習を利用して材料特性を高精度かつ効率的に解析することにより,これらの課題に対処する。 データ抽出を自動化し、抽出した情報を用いて機械学習モデルを訓練することにより、開発したSciQuは材料特性を最適化する。
  論文  参考訳（メタデータ） (2024-07-11T08:12:46Z)
• Advancing the Robustness of Large Language Models through Self-Denoised Smoothing [50.54276872204319]
  大規模言語モデル(LLM)は大きな成功を収めたが、敵の摂動に対する脆弱性は大きな懸念を引き起こしている。 本稿では,LLMのマルチタスク特性を活用して,まずノイズの入力を識別し,次にこれらの復号化バージョンに基づいて予測を行う。 LLMのロバスト性を高めるために個別のモデルを訓練する必要がある従来のコンピュータビジョンのスムース化技術とは異なり、本手法は効率と柔軟性を著しく向上させる。
  論文  参考訳（メタデータ） (2024-04-18T15:47:00Z)
• OmniJet-$α$: The first cross-task foundation model for particle physics [0.0]
  ファンデーションモデルはマルチデータセットとマルチタスクの機械学習手法で、一度トレーニングされたら、様々なダウンストリームアプリケーションのために微調整できる。 我々は,この課題について,いくつかの点で大きな進展を報告している。 我々は、教師なし問題(ジェット世代)と教師なしタスク(ジェットタグ付け)の移行学習を、新しいOmniJet-$alpha$モデルで実証する。
  論文  参考訳（メタデータ） (2024-03-08T19:00:01Z)
• Model-Agnostic Multitask Fine-tuning for Few-shot Vision-Language Transfer Learning [59.38343286807997]
  未知タスクの視覚言語モデルのためのモデル非依存型マルチタスクファインチューニング(MAMF)を提案する。 モデルに依存しないメタラーニング(MAML)と比較して、MAMFは二段階最適化を捨て、一階勾配のみを使用する。 MAMFは5つのベンチマークデータセット上で、数ショットの転送学習において古典的な微調整法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-03-09T17:26:53Z)
• Polymers for Extreme Conditions Designed Using Syntax-Directed Variational Autoencoders [53.34780987686359]
  現在、機械学習ツールは、望まれる特性を持つ材料候補を事実上スクリーニングするために使用される。 このアプローチは非効率であり、人間の想像力が知覚できる候補によって厳しく制約されている。 文法指向の変分オートエンコーダ(VAE)とガウス過程回帰(GPR)モデルを用いて、3つの極端な条件下で頑健なポリマーを発見する。
  論文  参考訳（メタデータ） (2020-11-04T21:36:59Z)

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。