論文の概要: InvDesMobility: a reliability-gated first-principles feedback framework for closed-loop materials discovery

• arxiv url: http://arxiv.org/abs/2606.16133v1
• Date: Mon, 15 Jun 2026 02:47:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:34.041999
• Title: InvDesMobility: a reliability-gated first-principles feedback framework for closed-loop materials discovery
• Title（参考訳）: InvDesMobility:クローズドループ材料発見のための信頼性の高い第一原理フィードバックフレームワーク
• Authors: Wen-Kao Li, Ze-Feng Gao, Peng-Jie Guo, Wei Ji, Zhong-Yi Lu,
• Abstract要約: InvDesMobilityは信頼性の高い第一原理フィードバックフレームワークである。 マルチエージェント自動化DFT、エビデンス階層化、生成構造提案、買収ランキング、監査可能なリリースを統合している。
• 参考スコア（独自算出の注目度）: 10.961173055108693
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inverse materials design starts from target functionality and searches for structures that can realize it. Its value in closed-loop discovery depends not only on prediction performance, but also on whether expensive first-principles results are independently validated, provenance-recorded, and admitted as feedback only when evidence is sufficient. This is especially important for composite properties such as carrier mobility, where a final scalar value hides intermediate quantities, fit quality, convergence history, and workflow assumptions. Here we present InvDesMobility, a reliability-gated first-principles feedback framework that integrates multi-agent automated DFT, evidence stratification, generative structure proposal, acquisition ranking, and auditable release. Using 516 2DMatPedia-derived candidates, the workflow produced 280 QC-passed materials and 573 retained carrier-direction seed channels after channel-level reliability gating. These records were split into two feedback objects: relaxed structures updated the generative model, while retained mobility channels trained the acquisition model and set validation priority. Over multiple iterations, InvDesMobility screened 2.4 x 10^6 structures, submitted 102 candidates for DFT validation, and retained 86 reliability-gated generated channels across 41 formulas. Overall, the main contribution is not a fixed list of high-mobility materials, but a transferable feedback contract that makes closed-loop inverse design both useful and auditable when learning from expensive calculated properties. All source data, retained feedback records, and workflows are available at https://github.com/DreamLufei/invDesMobility, with an accompanying evidence website at https://dreamlufei.github.io/invDesMobility/.
• Abstract（参考訳）: 逆材料設計は、ターゲット機能から始まり、それを実現する構造を探す。 クローズドループ発見におけるその価値は、予測性能だけでなく、高価な第一原理の結果が独立に検証され、証明記録され、証拠が十分である場合にのみフィードバックとして認められるかどうかにも依存する。 これは、最終スカラー値が中間量、適合品質、収束履歴、ワークフロー仮定を隠蔽するキャリアモビリティのような複合特性にとって特に重要である。 InvDesMobilityは、マルチエージェント自動DFT、エビデンス階層化、生成構造提案、取得ランキング、監査可能なリリースを統合した、信頼性の高い第一原理フィードバックフレームワークである。 516の2DMatPedia由来の候補を用いて、280のQCパス材料と573のキャリア指向シードチャネルをチャネルレベルの信頼性ゲーティング後に生成した。 これらの記録は2つのフィードバックオブジェクトに分割された: 緩和された構造が生成モデルを更新し、一方、移動チャネルは取得モデルを訓練し、検証の優先順位を設定する。 複数回にわたってInvDesMobilityは2.4 x 10^6構造をスクリーニングし、DFT検証のための102の候補を提出した。 全体として、主な貢献は、高機能材料の固定リストではなく、高価な計算された特性から学ぶ際に、クローズループの逆設計を有用かつ監査可能なものにする伝達可能なフィードバック契約である。 すべてのソースデータ、保持されたフィードバックレコード、ワークフローはhttps://github.com/DreamLufei/invDesMobilityで利用可能であり、関連するエビデンスサイトはhttps://dreamlufei.github.io/invDesMobility/で公開されている。

関連論文リスト

• Automating Formal Verification with Reinforcement Learning and Recursive Inference [0.0]
  我々はダフニーで検証可能な報酬(RLVR)と検証者誘導推論時間探索を用いてオープンソースモデルを訓練する。 固定ベースモデルでは、証明修正器を備えた完全な足場は、直接修理中の初期VeriCodingパイロットセットのパスレートを46.2%から69.2%に改善する。 Rust $texttcurve25519-dalek$検証プロジェクトから派生した,レポジトリスケールのLeanベンチマークであるDalek-Benchについても紹介します。
  論文  参考訳（メタデータ） (2026-05-29T06:59:28Z)
• FactoryNet: A Large-Scale Dataset toward Industrial Time-Series Foundation Models [33.97650316348364]
  本稿では,産業時系列データのための最初のユニバーサル事前学習コーパスであるFactoryNetを紹介する。 6つの実施形態で、23kのエンドツーエンドのタスク実行にまたがる51万のデータポイント。 パイプライン全体を支える新しいスキーマ: Setpoint, Effort, Feedback, Context (S-E-F-C)。
  論文  参考訳（メタデータ） (2026-05-09T17:45:36Z)
• Trust but Verify: Introducing DAVinCI -- A Framework for Dual Attribution and Verification in Claim Inference for Language Models [53.279391576560755]
  大規模言語モデル(LLM)は、広範囲のNLPタスクにおいて顕著な流速と汎用性を示してきたが、実際的な不正確さと制限が伴う傾向にある。 これは、信頼と妥当性が最優先される医療、法律、科学コミュニケーションといった、高リスク領域に重大なリスクをもたらす。 LLM出力の事実的信頼性と解釈可能性を高めるために設計されたDAVinCI - Dual Attribution and Verificationフレームワークを紹介する。
  論文  参考訳（メタデータ） (2026-04-23T01:37:50Z)
• Mitigating LLM Hallucinations through Domain-Grounded Tiered Retrieval [0.0]
  大型言語モデル (LLM) は前例のない流布を達成したが、「幻覚」の影響を受けないままである。 本研究では,LLMをパターンマッチングから真偽探索へシフトさせることにより,事実不正確さを検知する階層型検索・検証アーキテクチャを提案する。 システムは5つの多様なベンチマークから650のクエリで評価された。
  論文  参考訳（メタデータ） (2026-03-18T15:59:30Z)
• Look As You Think: Unifying Reasoning and Visual Evidence Attribution for Verifiable Document RAG via Reinforcement Learning [55.232400251303794]
  Look As You Think (LAT)は、モデルをトレーニングし、一貫した帰属性を持った検証可能な推論パスを生成するための強化学習フレームワークである。 LATはシングルイメージとマルチイメージの両方でバニラモデルを一貫して改善し、平均ゲインは8.23%、IoU@0.5では47.0%となる。
  論文  参考訳（メタデータ） (2025-11-15T02:50:23Z)
• fev-bench: A Realistic Benchmark for Time Series Forecasting [19.931138737002215]
  既存のベンチマークでは、ドメインカバレッジが狭くなったり、重要な現実世界の設定を見落としたりすることが多い。 7つの領域にわたる100の予測タスクからなるベンチマークであるfevbenchを提案する。 fev-benchでは、モデルパフォーマンスを報告するために、ブートストラップされた信頼区間を持つ原則化された集約手法を採用している。
  論文  参考訳（メタデータ） (2025-09-30T16:17:18Z)
• Automated Proof Generation for Rust Code via Self-Evolution [69.25795662658356]
  私たちは、Rustコードの自動証明生成を可能にする、人書きスニペットの欠如を克服するフレームワークであるSAFEを紹介します。 SAFEは、細調整されたモデルの自己老化能力を訓練するために、多数の合成不正確な証明を再利用する。 我々は、人間の専門家によるベンチマークで52.52%の精度で達成し、GPT-4oのパフォーマンス14.39%を大きく上回った。
  論文  参考訳（メタデータ） (2024-10-21T08:15:45Z)
• Preserving Knowledge Invariance: Rethinking Robustness Evaluation of Open Information Extraction [49.15931834209624]
  実世界におけるオープン情報抽出モデルの評価をシミュレートする最初のベンチマークを示す。 我々は、それぞれの例が知識不変のcliqueである大規模なテストベッドを設計し、注釈付けする。 さらにロバスト性計量を解明することにより、その性能が全体の傾きに対して一貫して正確であるならば、モデルはロバストであると判断される。
  論文  参考訳（メタデータ） (2023-05-23T12:05:09Z)
• Provable Robustness for Streaming Models with a Sliding Window [51.85182389861261]
  オンラインコンテンツレコメンデーションや株式市場分析のようなディープラーニングアプリケーションでは、モデルは過去のデータを使って予測を行う。 入力ストリーム上の固定サイズのスライディングウインドウを使用するモデルに対して、ロバスト性証明を導出する。 私たちの保証は、ストリーム全体の平均モデルパフォーマンスを保ち、ストリームサイズに依存しないので、大きなデータストリームに適しています。
  論文  参考訳（メタデータ） (2023-03-28T21:02:35Z)

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。