論文の概要: Modelling magnetic material properties with uncertainty-aware neural networks

• arxiv url: http://arxiv.org/abs/2606.11870v1
• Date: Wed, 10 Jun 2026 09:47:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.398509
• Title: Modelling magnetic material properties with uncertainty-aware neural networks
• Title（参考訳）: 不確実性を考慮したニューラルネットワークによる磁気材料特性のモデル化
• Authors: Clemens Wager, Heisam Moustafa, Alexander Kovacs, Qais Ali, Harald Oezelt, Hayate Yamano, Masao Yano, Noritsugu Sakuma, Hyuga Hosoi, Akihito Kinoshita, Tetsuya Shoji, Akira Kato, Thomas Schrefl,
• Abstract要約: 永久磁石研究の文脈におけるモデル信頼度を評価する手段として不確実性定量化について検討する。 最初の研究で、本質的な磁気特性を予測するために、古典的および近代的な機械学習モデルをベンチマークした。 第2の研究では、これらの構造的特徴を不確実性推定のために、より複雑なタスクに転送する。
• 参考スコア（独自算出の注目度）: 28.439523950142092
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning is increasingly applied to accelerate the discovery of novel materials by exploring large compositional and structural design spaces. Yet, the scarcity of high-quality data and the frequent need for out-of-distribution prediction introduce substantial uncertainty, making the assessment of model reliability essential. In this work, we investigate uncertainty quantification as a means to evaluate model confidence in the context of permanent magnet research. In a first study, we benchmark classical and modern machine learning models for predicting intrinsic magnetic properties, focusing on the quality of their uncertainty estimates. We apply Gaussian negative log-likelihood loss and dropout-based Bayesian approximation as practical strategies for estimating predictive uncertainty. In a second study, we transfer these architectural features for uncertainty estimation to a more complex task: predicting coercivity from microstructural information using a graph neural network. Together, these studies demonstrate that uncertainty quantification not only enhances the trustworthiness of predictions but is also transferable across different modeling tasks.
• Abstract（参考訳）: 機械学習は、大規模な構成的および構造的デザイン空間を探索することによって、新しい素材の発見を加速するためにますます応用されている。 しかし、高品質なデータの不足と流通外予測の頻繁な要求は、かなりの不確実性をもたらし、モデルの信頼性を評価することが不可欠である。 本研究では、永久磁石研究の文脈におけるモデル信頼度を評価する手段として、不確実性定量化について検討する。 最初の研究で、本質的な磁気特性を予測するために、古典的および近代的な機械学習モデルをベンチマークし、不確実性評価の品質に焦点を当てた。 本研究では,ガウスの負の対数損失とドロップアウトに基づくベイズ近似を,予測の不確実性を推定するための実用戦略として適用する。 第2の研究では、不確実性推定のためのこれらのアーキテクチャ特徴を、グラフニューラルネットワークを用いてミクロ構造情報から保磁力を予測するという、より複雑なタスクに転送する。 これらの研究は、不確実性定量化が予測の信頼性を高めるだけでなく、異なるモデリングタスク間で伝達可能であることを示した。

関連論文リスト

• Delving Aleatoric Uncertainty in Medical Image Segmentation via Vision Foundation Models [56.29123284262618]
  本研究は,視覚基盤モデルの普遍的表現能力を生かして固有データ不確実性を推定することを提案する。 モデルのデコード表現の特徴の多様性を分析し,その特異値エネルギーを定量化し,各クラスに対する意味知覚尺度を定義する。 この基礎に基づいて,本研究は,(1)潜在的にノイズの多いサンプルを排除し,モデル学習品質を向上させるためのアレータリック不確実性認識データフィルタリング機構,(2)意味認識尺度に基づくトレーニング中にクラス固有の損失重みを適応的に調整する動的不確実性認識最適化戦略,およびトレーニング安定性を向上させるラベル認知機構の2つの不確実性駆動型アプリケーション戦略を設計する。
  論文  参考訳（メタデータ） (2026-04-13T03:59:54Z)
• Towards Uncertainty Quantification in Generative Model Learning [3.498371632913735]
  生成モデル学習における不確実性定量化の問題を定式化する。 合成データセットに関する予備実験は、集計精度-リコール曲線の有効性を示す。
  論文  参考訳（メタデータ） (2025-11-13T09:01:12Z)
• Uncertainty Quantification In Surface Landmines and UXO Classification Using MC Dropout [1.3999481573773072]
  本研究では,表面地雷およびUXO分類のための微調整されたResNet-50アーキテクチャに統合されたモンテカルロ・ドロップアウト(MC)による不確実性定量化の考え方を紹介する。 クリーンで逆向きに摂動し、ノイズの多いテスト画像に対する実験結果は、モデルが困難な条件下で信頼できない予測をフラグする能力を示している。
  論文  参考訳（メタデータ） (2025-10-03T03:01:22Z)
• 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)
• Low-Order Flow Reconstruction and Uncertainty Quantification in Disturbed Aerodynamics Using Sparse Pressure Measurements [0.0]
  本稿では,低次グステンカウンタ流場と昇降係数をスパース・ノイズ表面圧力測定から再構成する新しい機械学習フレームワークを提案する。 本研究では,センサのガス-空気相互作用に対する応答の時間変化を徹底的に検討し,センサ配置に関する貴重な知見を明らかにする。
  論文  参考訳（メタデータ） (2025-01-06T22:02:06Z)
• Toward Reliable Human Pose Forecasting with Uncertainty [51.628234388046195]
  我々は、複数のモデルを含む人間のポーズ予測のためのオープンソースのライブラリを開発し、複数のデータセットをサポートする。 我々は、パフォーマンスを高め、より良い信頼をもたらすために、問題の2つの不確実性を考案する。
  論文  参考訳（メタデータ） (2023-04-13T17:56:08Z)
• Toward Robust Uncertainty Estimation with Random Activation Functions [3.0586855806896045]
  本稿では,ランダムアクティベーション関数(RAF)アンサンブルを用いた不確実性定量化手法を提案する。 RAF アンサンブルは、合成データセットと実世界のデータセットの両方において、最先端のアンサンブル不確実性定量化手法より優れている。
  論文  参考訳（メタデータ） (2023-02-28T13:17:56Z)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• Approaching Neural Network Uncertainty Realism [53.308409014122816]
  自動運転車などの安全クリティカルなシステムには、定量化または少なくとも上限の不確実性が不可欠です。 マハラノビス距離に基づく統計的テストにより、厳しい品質基準である不確実性リアリズムを評価します。 自動車分野に採用し、プレーンエンコーダデコーダモデルと比較して、不確実性リアリズムを大幅に改善することを示した。
  論文  参考訳（メタデータ） (2021-01-08T11:56:12Z)
• Accurate and Robust Feature Importance Estimation under Distribution Shifts [49.58991359544005]
  PRoFILEは、新しい特徴重要度推定法である。 忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-09-30T05:29:01Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。