論文の概要: Loss-Guided Adaptive Scale Refinement for Molecular Force Prediction

• arxiv url: http://arxiv.org/abs/2606.09480v1
• Date: Mon, 08 Jun 2026 13:39:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:07.096649
• Title: Loss-Guided Adaptive Scale Refinement for Molecular Force Prediction
• Title（参考訳）: 分子間力予測のためのロスガイド型適応型適応型スケールリファインメント
• Authors: Limin Yu,
• Abstract要約: 本研究では分子間力予測のための損失誘導適応型スケール改善フレームワークを提案する。 ロス誘導更新は、自動的に中間スケールを生成し、継続的なオラクルのパフォーマンスを回復する。 結果は、分子表現学習の有望な方向として適応的なスケール改善をサポートする。
• 参考スコア（独自算出の注目度）: 4.723245337781219
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Molecular systems involve interactions across multiple spatial scales, from local coordination and short-range perturbations to long-range electrostatic and solvent-mediated effects. However, most molecular representation learning methods rely on manually predefined scales, and the task-optimal modeling scale may not coincide with these fixed levels. This study introduces a loss-guided adaptive scale refinement framework for molecular force prediction, treating predefined scales as initial anchors and discovering task-effective resolutions through interpolation, routing, differentiable scale updates, and scale pool refinement. Using a NaCl aqueous ionic system as a minimal testbed, this study constructs short-scale and long-range force prediction branches and analyzes their complementarity. Oracle hard routing reduces the overall force MAE from 399.65 to 382.67, while continuous oracle interpolation further reduces it to 380.96. In close-contact regimes with nearest-ion distance below 0.6 nm, the close-contact MAE decreases from 327.22 to 260.51. A minimal scale pool update experiment shows that starting from endpoint anchors {0,1}, loss-guided updates automatically generate intermediate scales and recover most of the continuous oracle performance. The final updated scale pool {0,0.125,0.25,0.375,0.5,0.75,1} achieves an overall MAE of 381.23. These results support adaptive scale refinement as a promising direction for molecular representation learning, especially when fixed-scale modeling is insufficient.
• Abstract（参考訳）: 分子系は、局所的な配位や短距離摂動から長距離静電および溶媒を媒介とする効果まで、複数の空間スケールにわたる相互作用を含む。 しかし、ほとんどの分子表現学習法は手動で事前定義されたスケールに依存しており、タスク最適モデリングスケールはこれらの固定レベルと一致しないかもしれない。 本研究では、分子力予測のための損失誘導適応型スケール改善フレームワークを導入し、事前定義されたスケールを初期アンカーとして扱い、補間、ルーティング、微分可能なスケール更新、スケールプールの精細化によるタスク効率の高い解決を発見する。 極小テストベッドとしてNaCl水溶液イオン系を用いて, 短スケールおよび長距離力予測枝を構築し, 相補性を解析した。 Oracleのハードルーティングにより、MAE全体の力は399.65から382.67に減少し、連続的なオラクル補間によりさらに380.96に減少する。 0.6nm以下の近接接触系では、近接接触MAEは327.22から260.51に減少する。 最小スケールのプール更新実験では、エンドポイントアンカー {0,1} から始めて、損失誘導更新が自動的に中間スケールを生成し、継続的なオラクルのパフォーマンスを回復する。 最終更新スケールプール {0,0.125,0.25,0.375,0.5,0.75,1} は381.23である。 これらの結果は、特に固定スケールモデリングが不十分な場合、分子表現学習の有望な方向として適応的なスケール改善を支援する。

関連論文リスト

• PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
  既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。 我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。 本手法は,結合予測システムの長期安定性を著しく向上させる。
  論文  参考訳（メタデータ） (2026-05-09T13:12:33Z)
• IMPA-Net: Meteorology-Aware Multi-Scale Attention and Dynamic Loss for Extreme Convective Radar Nowcasting [2.405586180193259]
  気象レーダー観測による対流降雨の短距離予測は、厳しい気象警報に不可欠である。 本稿では, 入力, アーキテクチャ, 損失関数レベルにおいて, 気象インフォームド設計による制限に対処する決定論的0-2時間放送フレームワークIMPA-Netを提案する。
  論文  参考訳（メタデータ） (2026-04-27T09:30:07Z)
• One Scale at a Time: Scale-Autoregressive Modeling for Fluid Flow Distributions [26.06889184077997]
  本稿では,非構造メッシュ上の流れを粗大から微少に階層的にサンプリングするためのスケール・オート回帰モデリング(SAR)を提案する。 これは、最先端拡散モデルよりも分布誤差が著しく低く、サンプルごとの精度が高い。
  論文  参考訳（メタデータ） (2026-04-13T12:44:04Z)
• A recipe for scalable attention-based MLIPs: unlocking long-range accuracy with all-to-all node attention [14.94564172199991]
  AllScAIPは注意に基づく機械学習モデルで、O(1億)トレーニングサンプルにスケールする。 データ駆動のオールツーオールノードアテンションコンポーネントを使用して、長距離の課題に対処する。 本モデルでは,分子系のエネルギー/力の高精度化と,物理に基づく多くの評価を行う。
  論文  参考訳（メタデータ） (2026-03-06T18:57:04Z)
• Astro: Activation-guided Structured Regularization for Outlier-Robust LLM Post-Training Quantization [56.5199302532159]
  本稿では, アクティベーション誘導型構造正規化フレームワークを提案する。 Astroは内在的に頑丈な重量を積極的に再構成し、高マグニチュードの活性化に対応する重量の降圧を積極的に抑制する。 Astroは競争力が高く、特にLLaMA-2-7Bでは、量子化時間の1/3近くを持つ複雑な学習ベースの回転法よりも優れた性能を達成している。
  論文  参考訳（メタデータ） (2026-02-07T15:50:18Z)
• Learning a Generative Meta-Model of LLM Activations [75.30161960337892]
  ネットワークの内部状態の分布を学習する"メタモデル"を作成します。 ステアリング介入前に学んだメタモデルを適用することで、損失が減少するにつれて、流速が向上する。 これらの結果は、生成的メタモデルが制限的な構造的仮定を伴わずに、解釈可能性へのスケーラブルな経路を提供することを示唆している。
  論文  参考訳（メタデータ） (2026-02-06T18:59:56Z)
• Structure-Informed Estimation for Pilot-Limited MIMO Channels via Tensor Decomposition [51.56484100374058]
  本稿では、スパース観測から低ランクテンソル完備化としてパイロットリミテッドチャネル推定を定式化する。 合成チャネル実験による最小二乗平均二乗誤差(NMSE)の最小二乗平均誤差(LS)に対する改善 DeepMIMO線トレーシングチャネルの評価では、純粋なテンソル法よりも24-44%NMSEが減少している。
  論文  参考訳（メタデータ） (2026-02-03T23:38:05Z)
• Contrastive Multi-Task Learning with Solvent-Aware Augmentation for Drug Discovery [3.4776689202566824]
  各種溶媒条件下で生成する配位子コンフォメーションアンサンブルを付加入力として組み込んだ事前学習法を提案する。 トレーニングプロセスは、分子再構成を統合し、局所的な幾何学、原子間距離予測、および対照的な学習を捉え、溶媒不変の分子表現を構築する。 このフレームワークは、溶媒を意識したマルチタスクモデリングをサポートし、ベンチマーク間で一貫した結果を生成する。
  論文  参考訳（メタデータ） (2025-08-03T15:25:42Z)
• GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
  分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。 既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。 エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
  論文  参考訳（メタデータ） (2021-06-08T14:17:59Z)

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。