論文の概要: Forecasting Conceptual Diffusion in Science: The Case of Quantum Computing

• arxiv url: http://arxiv.org/abs/2606.03919v1
• Date: Tue, 02 Jun 2026 17:12:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:05.203911
• Title: Forecasting Conceptual Diffusion in Science: The Case of Quantum Computing
• Title（参考訳）: 科学における概念拡散の予測--量子コンピューティングの場合
• Authors: Thomas Maillart, Thibaut Chataing, David Dosu, Paul Bagourd, Julian Jang-Jaccard, Alain Mermoud,
• Abstract要約: 我々は,各概念ペアを上流の励磁線と下流の拡散によって追跡する,時間的に解決された概念共起ネットワークを構築した。 我々は4つの結果を予測するために、分布と多様性を意識したLightGBMモデルを訓練する。 概念拡散は、意味的および引用環境に埋め込まれた安定した構造的規則性によって制御される。
• 参考スコア（独自算出の注目度）: 0.49610913011189633
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding and anticipating scientific change requires models that distinguish between endogenous consolidation and exogenous diffusion of scientific concepts. Using the quantum computing subtree of concepts in OpenAlex, we construct a temporally resolved concept co-occurrence network and track each concept pair through its upstream citation lineage and downstream diffusion. We train LightGBM models on distributional and diversity-aware features to predict four outcomes: endogenous reinforcement, exogenous diffusion, their ratio, and diffusion entropy. After controlling for overall publication growth of the scientific body, endogenous reinforcement proves largely unpredictable in the primary quantum-computing benchmark. In contrast, exogenous diffusion and entropy are strongly predictable ($R^2$ up to $0.78à) and are driven by upstream heterogeneity, citation breadth, and distributional dispersion, as shown by SHAP analyses; replications on robotics, advanced materials, and neuro implants confirm that exogenous diffusion remains the top-ranked target across fields ($R^2_test \sim 0.60-0.87$), while endogenous predictability rises markedly in neuro implants (R^2_test = 0.83), indicating that the quantum-computing asymmetry does not generalise uniformly. Case studies reveal that sharp entropy increases coincide with the opening of new conceptual frontiers, while entropy collapses signal technological convergence or paradigm displacement. These results demonstrate that conceptual diffusion is governed by stable structural regularities embedded in semantic and citation environments. By identifying early diversity-based signals of cross-domain uptake, the approach provides a scalable foundation for anticipatory scientometrics, technology foresight, and innovation-oriented policy analysis in rapidly evolving research fields.
• Abstract（参考訳）: 科学的変化を理解し予測するには、内因性統合と科学的概念の外因性拡散を区別するモデルが必要である。 OpenAlexにおける概念の量子コンピューティングサブツリーを用いて、時間的に解決された概念共起ネットワークを構築し、それぞれの概念ペアを上流の引用系統と下流の拡散を通して追跡する。 本研究は,内因性強化,外因性拡散,比,拡散エントロピーの4つの結果を予測するために,分布および多様性を考慮したLightGBMモデルを訓練する。 内因性強化は、科学体の全体的な成長を制御した後、主量子計算のベンチマークでは予測不可能であることが証明された。 対照的に、外因性拡散とエントロピーは(R^2$から0.78àまで)強く予測可能であり、SHAP分析で示されているように上流の不均一性、励起幅、分布分散によって駆動され、ロボット工学、先進材料、神経インプラントの複製により、外因性拡散はフィールド全体にわたって最上位の目標である(R^2_test \sim 0.60-0.87$)が、内因性予測性は神経インプラントにおいて顕著に上昇し(R^2_test = 0.83)、量子計算の非対称性が一様ではないことが確認される(R^2_test = 0.83)。 ケーススタディでは、急激なエントロピー増加は新たな概念フロンティアの開放と一致し、エントロピーは信号技術収束やパラダイム変位を崩壊させる。 これらの結果は、概念拡散は意味的および引用環境に埋め込まれた安定な構造的規則性によって制御されることを示している。 クロスドメイン獲得の初期の多様性に基づくシグナルを特定することにより、急速に発展する研究分野における予測科学、技術展望、革新指向の政策分析のためのスケーラブルな基盤を提供する。

関連論文リスト

• Explainable Forecasting of Scientific Breakthroughs from Concept Network Dynamics [0.4724193227268862]
  本稿では,研究概念間のリンクの出現と拡大を予測できる,説明可能な機械学習手法を提案する。 59の意味的特徴と位相的特徴を用いて、2段階のLightGBMモデルはコンセプトペアの生成と将来の重量を共同で予測する。 次に、これらの予測をエビデンスベースの研究戦略とポリシーに変換する3層決定アーキテクチャについて概説する。
  論文  参考訳（メタデータ） (2026-06-02T16:38:41Z)
• Uncertainty-Calibrated Diffusion for Reliable 3D Molecular Graph Generation [10.056180810643774]
  拡散推論によって不確実性が伝播し,サンプリング品質が低下することを示す。 本稿では, 逆拡散過程を校正して不確実性を考慮し, 簡便かつ効果的な方法として, UCD (Uncertainty-Calibrated Diffusion) を提案する。
  論文  参考訳（メタデータ） (2026-06-01T02:48:22Z)
• Foundations of Diffusion Models in General State Spaces: A Self-Contained Introduction [54.95522167029998]
  この記事は、一般状態空間上の拡散に関する自己完結プライマーである。 我々は、その連続時間限界とともに離散時間ビュー(マルコフカーネルを経由し、逆ダイナミクスを学習する)を開発する。 一般的な変量処理は、標準の訓練損失を支えるELBOをもたらす。
  論文  参考訳（メタデータ） (2025-12-04T18:55:36Z)
• Unlocking hidden biomolecular conformational landscapes in diffusion models at inference time [0.828988908878327]
  本稿では、コンフォメーション分布のサンプリングを強化する推論時間アルゴリズムであるConforMixを提案する。 提案手法は拡散モデルを改良し,共形変数のより効率的な発見を可能にする。 生物学的に重要なタンパク質のケーススタディは、この方法のスケーラビリティ、精度、有用性を示している。
  論文  参考訳（メタデータ） (2025-12-02T23:52:05Z)
• Graph Neural Diffusion via Generalized Opinion Dynamics [8.691309696914882]
  本稿では,複数の意見力学モデルを原理的,訓練可能な拡散機構に統一するGODNFを提案する。 本フレームワークは,ノード固有の挙動モデリングと動的近傍の影響により,異種拡散パターンと時間的ダイナミクスを捕捉する。 多様な収束構成をモデル化するGODNFの能力を示す厳密な理論的解析を行う。
  論文  参考訳（メタデータ） (2025-08-15T06:36:57Z)
• Provable Maximum Entropy Manifold Exploration via Diffusion Models [58.89696361871563]
  探索は科学的な発見のような現実世界の意思決定問題を解決するために重要である。 本稿では,事前学習した拡散モデルにより暗黙的に定義された近似データ多様体に対して,探索をエントロピーとしてキャストする新しいフレームワークを提案する。 本研究では,事前学習した拡散モデルの逐次微調整として探索問題を解くミラー降下に基づくアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2025-06-18T11:59:15Z)
• Reimagining Target-Aware Molecular Generation through Retrieval-Enhanced Aligned Diffusion [22.204642926984526]
  Retrieval-Augmented GenerationとSE(3)-同変拡散モデルとを融合した最初のREADが導入された。 CBGBenchでは非常に競争力があり、最先端のジェネレーティブモデルやネイティブな足場を超越している。
  論文  参考訳（メタデータ） (2025-06-17T13:09:11Z)
• Transformers from Diffusion: A Unified Framework for Neural Message Passing [79.9193447649011]
  メッセージパッシングニューラルネットワーク(MPNN)は、デファクトクラスのモデルソリューションとなっている。 本稿では,拡散の誘導バイアスとエネルギーの層的制約を統合するエネルギー制約拡散モデルを提案する。 これらの知見に基づいて、我々はTransformer (DIFFormer)と呼ばれる新しいタイプのメッセージパッシングモデルを考案した。
  論文  参考訳（メタデータ） (2024-09-13T17:54:41Z)
• Broadening Target Distributions for Accelerated Diffusion Models via a Novel Analysis Approach [49.97755400231656]
  本研究では,新しいDDPMサンプリング器が,これまで考慮されていなかった3種類の分散クラスに対して高速化性能を実現することを示す。 この結果から, DDPM型加速サンプリング器におけるデータ次元$d$への依存性が改善された。
  論文  参考訳（メタデータ） (2024-02-21T16:11:47Z)
• Towards Predicting Equilibrium Distributions for Molecular Systems with Deep Learning [60.02391969049972]
  本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。 DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
  論文  参考訳（メタデータ） (2023-06-08T17:12:08Z)
• End-To-End Latent Variational Diffusion Models for Inverse Problems in High Energy Physics [61.44793171735013]
  本稿では,最先端生成技術アプローチの潜時学習とエンドツーエンドの変分フレームワークを組み合わせた,新しい統合アーキテクチャ,潜時変分モデルを提案する。 我々の統一的アプローチは、非最新技術ベースラインの20倍以上の真理への分布自由距離を達成する。
  論文  参考訳（メタデータ） (2023-05-17T17:43:10Z)

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。