論文の概要: Synergizing Physically Constrained MCMC and Chemical-Informed Gaussian Processes for Reaction Network Discovery
- arxiv url: http://arxiv.org/abs/2606.23757v1
- Date: Mon, 22 Jun 2026 08:43:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-24 22:16:48.597836
- Title: Synergizing Physically Constrained MCMC and Chemical-Informed Gaussian Processes for Reaction Network Discovery
- Title（参考訳）: 反応ネットワーク発見のための物理拘束型MCMCと化学インフォームドガウス過程の相乗化
- Authors: Runzhe Liu, Zihao Wang, Wenbo Yang, Shengyang Tao,
- Abstract要約: PC-MCMC-CIGPは、ノイズの多い化学時系列データから制御方程式を抽出するためのグレーボックスワークフローである。
スパイク・アンド・スラブのトポロジーサンプリング、硬い保存と熱力学的スクリーニング、パラメータ・キャリブレーションと実験設計のためのケミカル・インフォームド・ガウス過程残差モデルを組み合わせる。
- 参考スコア（独自算出の注目度）: 16.080628519518914
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Extracting interpretable governing equations from sparse, noisy chemical time-series data remains difficult because discrete reaction topology and continuous kinetic parameters are tightly coupled. We present PC-MCMC-CIGP, a reproducible gray-box workflow that combines spike-and-slab topology sampling, hard conservation and thermodynamic screening, and a Chemical-Informed Gaussian Process (CIGP) residual model for parameter calibration and experimental design. The methodological contribution is not a new MCMC or GP family in isolation; rather, it is the integration of these components into a physically constrained workflow with explicit uncertainty-aware acquisition choices. On the H2 + Br2 benchmark, the constrained sampler distinguishes elementary radical pathways from deceptive phenomenological fits in our experiments. On styrene epoxidation, the CIGP optimization loop improves final yield by 12.5% over the reported GP-BO baseline. A new 10-seed acquisition study shows that EI, GWU, PC-EI, uncertainty sampling, discrepancy hunting, and random search have different trade-offs: PC-EI substantially reduces low-yield BO suggestions, while EI-style criteria give the strongest final-yield performance.
- Abstract（参考訳）: 離散反応トポロジーと連続運動パラメータが密結合しているため, 希薄な化学時系列データから解釈可能な支配方程式を抽出することは困難である。
提案するPC-MCMC-CIGPは, スパイク・アンド・スラブトポロジーサンプリング, ハードプロテクション, 熱力学的スクリーニングを組み合わせた再現可能なグレーボックスワークフローであり, パラメータキャリブレーションと実験設計のためのケミカル・インフォームド・ガウス・プロセス(CIGP)残差モデルである。
方法論的なコントリビューションは、MCMCやGPファミリを別々に扱うのではなく、これらのコンポーネントを物理的に制約されたワークフローに統合し、明確な不確実性を認識した買収選択を行うことである。
H2 + Br2 ベンチマークでは,本実験において,基本ラジカル経路と知覚的現象学的適合を区別した。
スチレンのエポキシ化では、CIGP最適化ループは報告されたGP-BOベースラインよりも12.5%向上する。
The new 10-seed acquisition study shows that EI, GWU, PC-EI, uncertainty sample, discrepancy Hunt, and random search has different trade-offs: PC-EI significantly reduce low-yld BO suggestions, while EI-style criteria gives the most final-ield performance。
関連論文リスト
- Physically Constrained Ensemble Gaussian Process Modelling for Expensive Quantum Systems with Heteroskedastic Noise [0.9786690381850356]
本稿では,複雑でノイズの多い量子システムを効率的にモデル化する物理制約付きアンサンブルガウス過程(pc-EGP)フレームワークを提案する。
従来のGPと比較して、pc-EGPは精度と物理的に意味のある予測のバランスが良くなる。
論文 参考訳（メタデータ） (2026-05-29T19:14:11Z) - Influence-Guided Symbolic Regression: Scientific Discovery via LLM-Driven Equation Search with Granular Feedback [56.69850045068714]
逐次的2段階プロセスとして方程式発見をフレーム化する方法である textitInfluence-Guided Regression (IGSR) を導入する。
LLM-SRBench, 薬理学的PKPDモデル, 疫学シミュレーション, 実世界のゲノムデータなど, IGSRの有効性を示す。
論文 参考訳（メタデータ） (2026-05-27T23:48:01Z) - Precise: SDE-Consistent Stochastic Sampling for RL Post-Training of Flow-Matching Models [56.67321805551389]
Reinforcement Learning (RL) は, 拡散・流れマッチングジェネレータにおいて, 迅速なアライメントと知覚品質の向上に有効な方法となっている。
探索行動の制御と力学のデノベーションを行うサンプルは、この方針の一部である。
有効探査と安定性のバランスをとる新しいサンプリング器を提案する。
論文 参考訳（メタデータ） (2026-05-22T11:37:22Z) - From Static Spectra to Operando Infrared Dynamics: Physics Informed Flow Modeling and a Benchmark [67.29937933325849]
Operando IR Predictionは、1つの静的スペクトルからスペクトル指紋の時間分解進化を予測することを目的としている。
OpIRSpec-7Kは、10の異なるバッテリーシステムにわたる7,118の高品質なサンプルで構成されている。
ABCCは最先端の静的、シーケンシャル、および生成的ベースラインを著しく上回る。
論文 参考訳（メタデータ） (2026-02-20T18:58:43Z) - Improving Minimax Estimation Rates for Contaminated Mixture of Multinomial Logistic Experts via Expert Heterogeneity [49.809923981964715]
凍結したエキスパートとして機能する事前訓練されたモデルを、新しいタスクを学ぶためにトレーニング可能なエキスパートとして機能するアダプタモデルに統合するトランスファー学習手法によって、汚染された専門家の混合(MoE)が動機付けられる。
本研究は, 地絡パラメータがサンプルサイズによって異なる困難な条件下で, パラメータを推定するための一様収束率を特徴付ける。
また、対応するミニマックス下限を定め、これらのレートがミニマックス最適であることを保証する。
論文 参考訳（メタデータ） (2026-01-31T23:45:50Z) - Regime-Adaptive Bayesian Optimization via Dirichlet Process Mixtures of Gaussian Processes [14.367563771141592]
RAMBOはガウス過程のディリクレプロセス混合体であり、最適化中に遅延状態を自動的に検出する。
我々は、効率的な推論のために潜在関数を解析的に極小化する、崩壊したギブスサンプリングを導出した。
我々の獲得機能は、不確実性を登録内および登録間コンポーネントに分解する。
論文 参考訳（メタデータ） (2026-01-27T20:45:50Z) - Synergistic Computational Approaches for Accelerated Drug Discovery: Integrating Quantum Mechanics, Statistical Thermodynamics, and Quantum Computing [0.0]
タンパク質-リガンド結合自由エネルギー(Bs)の正確な予測は、薬物発見における中心的な課題である。
本稿では、マイニングミニマサンプリングと量子力学的に洗練された配位子部分電荷を組み合わせたハイブリッド量子古典フレームワークを提案する。
23個のタンパク質ターゲットと533の合計で、1.10 kcal/molの絶対誤差を高いランクの忠実度で達成する。
論文 参考訳（メタデータ） (2025-12-05T20:47:34Z) - A Novel A.I Enhanced Reservoir Characterization with a Combined Mixture of Experts -- NVIDIA Modulus based Physics Informed Neural Operator Forward Model [0.6282171844772422]
我々は,貯水池履歴マッチングの課題を効果的に解決するために,貯水池のキャラクタリゼーションのための高度なワークフローを開発した。
この方法は、洗練されたクラスタ分類回帰フレームワークにおいて、フォワードモデルとして物理インフォームドニューラル演算子(PINO)を統合する。
我々の統合モデルはPINO-Res-Simと呼ばれ、圧力、飽和度、石油、水、ガスの生産速度を含む重要なパラメータを出力します。
論文 参考訳（メタデータ） (2024-04-20T10:28:24Z) - Sampling with Mollified Interaction Energy Descent [57.00583139477843]
モーフィファイド相互作用エネルギー降下(MIED)と呼ばれる新しい最適化に基づくサンプリング手法を提案する。
MIEDは、モル化相互作用エネルギー(MIE)と呼ばれる確率測度に関する新しいクラスのエネルギーを最小化する
我々は,制約のないサンプリング問題に対して,我々のアルゴリズムがSVGDのような既存の粒子ベースアルゴリズムと同等に動作することを示す。
論文 参考訳（メタデータ） (2022-10-24T16:54:18Z) - Repulsive Mixture Models of Exponential Family PCA for Clustering [127.90219303669006]
指数関数型家族主成分分析(EPCA)の混合拡張は、従来のEPCAよりもデータ分布に関する構造情報を符号化するように設計された。
従来のEPCAの混合は、モデルの冗長性、すなわち混合成分間の重なりが問題であり、データクラスタリングの曖昧さを引き起こす可能性がある。
本稿では, 混合成分間での反発性増感前処理を導入し, ベイズ式に分散EPCA混合(DEPCAM)モデルを開発した。
論文 参考訳（メタデータ） (2020-04-07T04:07:29Z)
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。