論文の概要: Decision-Aware Evaluation of Physics-Informed Surrogates

• arxiv url: http://arxiv.org/abs/2606.07146v1
• Date: Fri, 05 Jun 2026 11:00:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.702101
• Title: Decision-Aware Evaluation of Physics-Informed Surrogates
• Title（参考訳）: 物理インフォームドサロゲートの定量評価
• Authors: Daniel Cieślak, Andrzej Czyżewski,
• Abstract要約: pinn-gymは材料条件付き格子設計のためのオープンベンチマークである。 材料条件付き格子設計のためのオープンベンチマークであるPinn-gymを紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physics-informed machine learning is often assessed by curve error, although engineering use depends on downstream decisions: ranking candidates, avoiding infeasible designs and limiting regret. We introduce pinn-gym, an open benchmark for material-conditioned lattice design that couples a transparent reduced-order crush-and-impact oracle with five printable polymer cards, dimensionless force-response targets and a protocol spanning curve fidelity, physical admissibility, top-k retrieval and mass regret. Across per-material, pooled and cross-material settings, low nRMSE is frequently insufficient to identify useful design selections. Physics-informed losses alter trade-offs rather than monotonically improving all metrics, and dimensionless conditioning improves comparability without making transfer symmetric. The benchmark is not a certified material model; within the released oracle, candidate generator and material cards, pinn-gym provides a reproducible testbed for evaluating PIML surrogates as decision systems rather than curve predictors alone.
• Abstract（参考訳）: 物理インフォームド機械学習は、しばしば曲線誤差によって評価されるが、工学的利用は下流の判断に依存する: 候補のランク付け、不可能な設計の回避、後悔の制限である。 材料条件付き格子設計のためのオープンベンチマークであるPinn-gymを導入し,5枚のプリント可能なポリマーカード,無次元力応答ターゲット,曲線の忠実度,物理許容性,トップ-k検索,マス後悔を両立させる。 材料毎, プール, クロスマテリアル設定の他, 低いnRMSEは, 有用な設計選択を識別するには不十分であることが多い。 物理インフォームド損失は、すべてのメトリクスを単調に改善するよりもトレードオフを変化させる。 ベンチマークは認定された材料モデルではなく、リリースされたオラクル、候補ジェネレータ、およびマテリアルカードの中で、Pinn-gymは、曲線予測子のみではなく、決定系としてPIMLサロゲートを評価する再現可能なテストベッドを提供する。

関連論文リスト

• Non-Parametric Rehearsal Learning via Conditional Mean Embeddings [88.89267783967263]
  本研究では,不必要な未来(AUF)問題をテキスト化するための非パラメトリックリハーサル学習手法を提案する。 具体的には、カーネル機械を用いてAUFの目的を、動作誘起分布変化から所望性モデリングを遠ざける統一表現に再構成する。
  論文  参考訳（メタデータ） (2026-05-09T15:30:52Z)
• Softmax is not Enough (for Adaptive Conformal Classification) [5.184894950445513]
  コンフォーマル予測(CP)は不確実性定量化のための分布のないフレームワークである。 非整合性スコアはソフトマックス出力から導かれるもので、与えられた入力についてモデルが真に確実であるかの信頼性の低い指標となる。 本稿では,Helmholtz Free Energyをモデル不確実性とサンプルの難易度を指標として,ソフトマックス前のロジット空間の情報を活用する新しい手法を提案する。
  論文  参考訳（メタデータ） (2026-02-23T04:33:04Z)
• Equivariant Evidential Deep Learning for Interatomic Potentials [55.6997213490859]
  不確かさの定量化は、分子動力学シミュレーションにおける機械学習の原子間ポテンシャルの信頼性を評価するために重要である。 既存のMLIPのUQアプローチは、高い計算コストや準最適性能によって制限されることが多い。 我々は,原子間ポテンシャルの定量的深層学習(texte2$IP)を提案する。
  論文  参考訳（メタデータ） (2026-02-11T02:00:25Z)
• From Evaluation to Design: Using Potential Energy Surface Smoothness Metrics to Guide Machine Learning Interatomic Potential Architectures [12.68400434984463]
  MLIPは量子ポテンシャルエネルギー表面の物理的滑らかさを再現することができない。 マイクロカノニカル分子動力学のような既存の評価は計算に高価であり、主に近平衡状態を研究する。 MLIPの評価基準を改善するためにBSCT(Band Smoothness Characterization Test)を導入する。
  論文  参考訳（メタデータ） (2026-02-04T18:50:10Z)
• Uncertainty-Aware Diagnostics for Physics-Informed Machine Learning [7.677300807530908]
  物理インフォームド機械学習(PIML)は、しばしば微分方程式制約の形で、物理データにモデルを適合させるプロセスに統合する。 PIMLモデルの品質を測定するため,PILEスコア(Physical-Informed Log Evidence)を導入する。 PILEは、カーネル帯域幅、最小二乗正規化重み、カーネル関数の選択など、様々なモデルパラメータに対して優れた選択を得られることを示す。
  論文  参考訳（メタデータ） (2025-10-30T04:05:49Z)
• Uncertainty Quantification for Regression using Proper Scoring Rules [76.24649098854219]
  CRPS,対数,2乗誤差,2次スコアなど,適切なスコアリングルールに基づく回帰のための統一的UQフレームワークを提案する。 実測パラメトリックな仮定に基づく不確実性尺度に対する閉形式式を導出し、モデルのアンサンブルを用いてそれらを推定する方法を示す。 合成および実世界の回帰データセットに対する広範な評価は、信頼性の高いUQ尺度を選択するためのガイダンスを提供する。
  論文  参考訳（メタデータ） (2025-09-30T17:52:12Z)
• Aligning Reasoning LLMs for Materials Discovery with Physics-aware Rejection Sampling [12.538562255934123]
  本稿では,物理認識型リジェクションサンプリング(PaRS)について紹介する。 PaRSは基礎物理学と整合したトレースを好んでおり、計算を制御するために軽量に停止する。 本手法は精度と校正性を向上し,物理違反率を低減し,基準値に対するサンプリングコストを低減させる。
  論文  参考訳（メタデータ） (2025-08-31T09:46:20Z)
• On Equivariant Model Selection through the Lens of Uncertainty [49.137341292207]
  等変モデルは、予測性能を改善するために対称性に関する事前の知識を活用するが、不特定なアーキテクチャ上の制約がそれを傷つける可能性がある。 我々は、頻繁な(コンフォーマル予測による)、ベイジアン(限界確率による)、およびキャリブレーションに基づく評価による誤りに基づく評価の比較を行った。 不確実性指標は一般的に予測性能と一致するが,ベイズ模型の証拠は矛盾する。
  論文  参考訳（メタデータ） (2025-06-23T13:35:06Z)
• Federated Conformal Predictors for Distributed Uncertainty Quantification [83.50609351513886]
  コンフォーマル予測は、機械学習において厳密な不確実性定量化を提供するための一般的なパラダイムとして現れつつある。 本稿では,共形予測を連邦学習環境に拡張する。 本稿では、FL設定に適した部分交換可能性の弱い概念を提案し、それをフェデレート・コンフォーマル予測フレームワークの開発に利用する。
  論文  参考訳（メタデータ） (2023-05-27T19:57:27Z)

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。