論文の概要: Inverse design of bespoke interatomic potentials via active learning by information-matching

• arxiv url: http://arxiv.org/abs/2606.08148v1
• Date: Sat, 06 Jun 2026 12:58:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:05.872612
• Title: Inverse design of bespoke interatomic potentials via active learning by information-matching
• Title（参考訳）: 情報マッチングによる能動的学習によるベスポーク原子間ポテンシャルの逆設計
• Authors: Yonatan Kurniawan, Logan D. Williams, Amit Samanta, Ilia Nikiforov, Daniel Schwalbe-Koda, Mark K. Transtrum, Ellad B. Tadmor, Vincenzo Lordi, Vasily V. Bulatov,
• Abstract要約: 金属の塑性強度を予測するために情報マッチング(IM)を適用した。 プラスチック強度の計算コストが高いため、我々は、強度と相関する安価な中間QoIをターゲットとした間接IM戦略を採用している。 IM法はトレーニングデータを最小限に抑えた正確なパラメータ制約を可能にし, 中間QoIと塑性強度の双方を正確に予測する。
• 参考スコア（独自算出の注目度）: 1.00901333118703
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Interatomic potentials (IPs) enable large-scale atomistic simulations beyond the reach of first-principles methods, but their predictive reliability depends critically on the selection of training data, quantified uncertainty, and model expressiveness. Active learning (AL) provides a principled framework for constructing efficient and accurate IPs, yet most strategies reduce parameter uncertainty without explicitly accounting for the specific material properties being predicted. The information-matching (IM) approach addresses this limitation by requiring that the selected training data provide at least as much parameter space information as needed to achieve prescribed uncertainty targets for selected quantities of interest (QoIs). Here, we apply IM to develop bespoke IPs specifically tailored for predicting plastic strength in metals. Due to the high computational cost of simulating plastic strength, we employ an indirect IM strategy that targets inexpensive intermediate QoIs that correlate with strength. The IM method enables precise parameter constraints with minimal training data, yielding precise predictions for both the intermediate QoIs and plastic strength. Yet, model error remains a key limitation, and a post hoc uncertainty inflation correction provides a viable means to mitigate this limitation. These findings illustrate both the promise and limits of uncertainty-aware AL for predicting complex material properties.
• Abstract（参考訳）: 原子間ポテンシャル(IP)は、第一原理法の到達範囲を超えた大規模な原子論シミュレーションを可能にするが、その予測信頼性は、トレーニングデータの選択、定量化の不確実性、モデル表現性に大きく依存する。 アクティブラーニング(AL)は、効率的で正確なIPを構築するための原則化されたフレームワークを提供するが、ほとんどの戦略は、予測される特定の材料特性を明示的に考慮せずにパラメータの不確実性を減少させる。 情報マッチング(IM)アプローチは、選択されたトレーニングデータに対して、選択された興味量(QoIs)に対して所定の不確実性目標を達成するために必要なパラメータ空間情報を最低でも提供することを要求することにより、この制限に対処する。 本稿では,金属中の塑性強度の予測に適したベスポークIPの開発にIMを適用した。 プラスチック強度をシミュレーションする計算コストが高いため、我々は、強度と相関する安価な中間QoIをターゲットとした間接IM戦略を採用している。 IM法はトレーニングデータを最小限に抑えた正確なパラメータ制約を可能にし, 中間QoIと塑性強度の双方を正確に予測する。 しかし、モデル誤差は依然として重要な制限であり、ポストホック不確実性インフレ補正は、この制限を緩和するための実行可能な手段を提供する。 これらの結果は, 複雑な材料特性の予測における不確実性を考慮したALの可能性と限界の両方を示している。

関連論文リスト

• 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)
• Disentangling Aleatoric and Epistemic Uncertainty in Physics-Informed Neural Networks. Application to Insulation Material Degradation Prognostics [1.1417805445492082]
  既存のPINベースの予後のアプローチは、決定論的あるいは不確実性のみを考慮し、リスク認識による意思決定に対する適合性を制限している。 この研究は、BNNと物理ベースの残差法則と事前分布を統合した、異例のベイズ物理学インフォームドニューラルネットワーク(B-PINN)フレームワークを導入する。 その結果,提案したB-PINNは,競合する手法よりも予測精度が向上し,系統的不確実性の推定精度が向上していることがわかった。
  論文  参考訳（メタデータ） (2026-01-07T07:54:09Z)
• Interpretable Hybrid Deep Q-Learning Framework for IoT-Based Food Spoilage Prediction with Synthetic Data Generation and Hardware Validation [0.5417521241272645]
  インテリジェントでリアルタイムな腐敗予測システムの必要性は、現代のIoT駆動食品サプライチェーンにおいて重要になっている。 本稿では,Long Short-Term Memory(LSTM)とRecurrent Neural Networks(RNN)を統合したハイブリッド強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-22T12:59:48Z)
• 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-Aware Machine-Learning Framework for Predicting Dislocation Plasticity and Stress-Strain Response in FCC Alloys [9.066691897904875]
  機械学習は構造材料の理解と応用を著しく進歩させてきた。 本研究では,混合密度ネットワーク(MDN)モデルを用いた包括的手法を提案する。 これらの予測分布の統計パラメータを転位媒介の塑性モデルに組み込むことで、正確な応力-ひずみ予測が可能になる。
  論文  参考訳（メタデータ） (2025-06-25T21:18:14Z)
• Beyond Scaling: Measuring and Predicting the Upper Bound of Knowledge Retention in Language Model Pre-Training [68.94373533768501]
  我々は、知識保持をモデル化し、そのコーパスから事実情報を記憶するための事前学習言語モデルの能力を示し、学習前にそれを推定する原則的手法を導入する。 本稿では,知識周波数,知識特異度,モデルサイズを統合し,クローズドブック質問応答(QA)の精度を予測する情報理論予測器である,サイズ依存型相互情報(SMI)を提案する。
  論文  参考訳（メタデータ） (2025-02-06T13:23:53Z)
• MIBP-Cert: Certified Training against Data Perturbations with Mixed-Integer Bilinear Programs [50.41998220099097]
  トレーニング中のデータエラー、汚職、中毒攻撃は、現代のAIシステムの信頼性に大きな脅威をもたらす。 混合整数双線形プログラミング(MIBP)に基づく新しい認証手法MIBP-Certを紹介する。 摂動データや操作データを通じて到達可能なパラメータの集合を計算することで、可能なすべての結果を予測することができ、堅牢性を保証することができる。
  論文  参考訳（メタデータ） (2024-12-13T14:56:39Z)

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。