論文の概要: Surrogate-Gated Generation and Foundation-Model Embeddings for Bayesian Materials Design

• arxiv url: http://arxiv.org/abs/2606.28578v1
• Date: Fri, 26 Jun 2026 20:10:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:18.945261
• Title: Surrogate-Gated Generation and Foundation-Model Embeddings for Bayesian Materials Design
• Title（参考訳）: ベイズ材料設計のためのサロゲートゲートゲート生成と基礎モデル埋め込み
• Abstract要約: 我々は、安価で確率的なサロゲートがジェネレータの出力をトリアージできることを示し、そのようなサロゲートが何がうまくいかなければならないかを示す。 機械的, 電子的, 振動的特性にまたがる代理性能のクロスファクターベンチマークにより, ガウス過程による事前学習されたORBの埋め込みを最も信頼性の高い組合せとして同定した。 完全なパイプラインはオープンソースソフトウェアとしてリリースされている。
• 参考スコア（独自算出の注目度）: 0.7500610196128554
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Closed-loop materials discovery iterates between proposing candidate structures and evaluating their properties, and property evaluation dominates the cost. In the generative variant, a learned prior proposes candidate crystals and a property oracle scores them; we ask whether a cheap probabilistic surrogate can triage the generator's output, and what such a surrogate must do well. Across three architecturally distinct pretrained diffusion priors (MatterGen, CrystalFlow, ADiT) and two targets (room-temperature heat capacity and bulk modulus), we insert a Gaussian process acquisition gate between structure generation and the oracle in an RL-steered generative workflow. The gate matches or exceeds ungated fine-tuning of the generative model while capping oracle calls at a fixed per-cycle budget. Budget-matched ablations isolate the mechanism. At an identical four-call budget, ranking-based selection outperforms arbitrary selection, confirming that the gain comes from the surrogate's choice; the gate comes within $\sim$9\% of exhaustive oracle spending at roughly one-fifth of the calls. A density-functional-theory check of the bulk-modulus discoveries confirms the learned oracle to within 2.5\% on average and the surrogate's ranking of the generated structures at Spearman $ρ= 0.94$. A cross-factorial benchmark of surrogate performance spanning mechanical, electronic, and vibrational properties identifies pretrained ORB embeddings with a Gaussian process as the most reliable combination, which we adopt as the building blocks of the proposed workflow. The complete pipeline is released as open-source software.
• Abstract（参考訳）: 閉ループ材料発見は、候補構造の提案と特性評価を反復し、特性評価がコストを支配している。 生成変種では、学習済みの先行者が候補結晶と特性オラクルがそれらをスコアリングし、安価な確率的サロゲートがジェネレータの出力をトリアージできるかどうかを問う。 建築的に異なる3つの事前学習拡散前駆体(MatterGen,CrystalFlow,ADiT)と2つのターゲット(室温熱容量とバルク率)にまたがって、構造生成とオラクルの間のガウス過程獲得ゲートをRLステアリング生成ワークフローに挿入する。 ゲートは、サイクル毎の固定予算でオラクルの呼び出しをカプセル化しながら、生成モデルの非ゲート微調整と一致または超過する。 予算整合により、その機構を分離する。 同じ4コールの予算で、ランキングベースの選択は任意の選択よりも優れており、サロゲートの選択による利得を確認している。 バルクモジュラー発見の密度関数理論的なチェックでは、学習したオラクルは平均2.5 %以内で、サロゲートは生成した構造物をSpearman $ρ= 0.94$でランク付けする。 機械的, 電子的, 振動的特性にまたがるサロゲート性能のクロスファクターベンチマークにより, ガウス過程による事前学習されたORB埋め込みを最も信頼性の高い組合せとして同定し, 提案したワークフローのビルディングブロックとして採用する。 完全なパイプラインはオープンソースソフトウェアとしてリリースされている。

関連論文リスト

• Agentic Stage-One Stellarator Optimization: Autonomous Multi-Objective Search for Finite-Beta Equilibria [0.0]
  強調ステージワン最適化の概念実証を行う。 エージェント外ループ制御は有限ベータ・多目的探索を維持でき、繰り返し最適化を改良された平衡のスケーラブルなソースに変えることができる。
  論文  参考訳（メタデータ） (2026-08-02T16:08:52Z)
• Oracle-Budgeted Molecular Optimization with Short-Term Graph Memory [13.101703587509641]
  本稿では,ジェネレータアーキテクチャとネイティブ更新ルールを保存するプラグインモジュールである短期グラフメモリを紹介する。 モジュールは、各ラウンドの候補プールをプリスクリーンするオンライングラフニューラルネットワークサロゲートを維持している。 平均的なトップ10スコアを、余分なオラクルコストなしで改善し、あらゆるオラクルのベースに落ちることはない。
  論文  参考訳（メタデータ） (2026-07-30T16:13:02Z)
• CADAQUES: A Cost-Aware Dual Architecture for Query-Efficient Autonomous Discovery [0.0]
  CADAQUESは1つのアーキテクチャ原理に基づいて構築された発見ループの第一級プリミティブである。 壁時間、CPU時間、金銭的コスト、言語モデルトークンにまたがる共通のベクトル値の予算に対する評価と決定の両方を課金する。 雑音の多い有限サイズ推定値から2次元Isingモデルの臨界温度を推定することでアーキテクチャを評価する。
  論文  参考訳（メタデータ） (2026-07-17T17:04:20Z)
• DaV-Gen: End-to-End Generative Retrieval via Draft-and-Verify [4.546259713278263]
  textbfDaV-Genは、検索とレコメンデーションの両方のパラダイムを基本として設計された、新しい統一ソリューションである。 トレーニング中、モデルは候補のドラフトと詳細な検証の両方に同時に最適化される。 これは、2つの異なるが関連する目的に基づいてモデルを共同で訓練する複合損失関数によって達成される。
  論文  参考訳（メタデータ） (2026-07-09T11:22:50Z)
• FlowBank: Query-Adaptive Agentic Workflows Optimization through Precompute-and-Reuse [58.80348559239392]
  大規模言語モデル(LLM)ベースのマルチエージェントシステムはますます強力になっている。 タスクレベルのメソッドはかなりのオフライン計算に費やしますが、単一のワークフローのみをデプロイします。 クエリレベルのメソッドは、クエリ毎の新しいワークフローを相当なコストで合成する。 本稿では,ポートフォリオベースのエージェントワークフロー最適化フレームワークであるFlowBankを紹介する。
  論文  参考訳（メタデータ） (2026-06-09T17:58:21Z)
• INFUSER: Influence-Guided Self-Evolution Improves Reasoning [54.101135873140066]
  2つの共進化的役割を持つ反復的協調学習フレームワークを導入する。 解答器は、生成元が提供する回答に対して標準正当性報酬で訓練される。 8B INF共進化ジェネレータは、数学とコーディングにおいて凍った32B思考ジェネレータより優れている。
  論文  参考訳（メタデータ） (2026-06-08T05:40:36Z)
• Civilizational Metamaterials: Engineering Coordination Under Capability Gradients and Structural Turbulence [0.0]
  ガバナンスは規範的な規律からエンジニアリングの規律に移行しなければなりません。 メタマテリアルの物理にインスパイアされた形式的な枠組みを開発し、この遷移を定量的かつ検証可能にする。
  論文  参考訳（メタデータ） (2026-05-29T18:10:00Z)
• Bayesian-guided inverse design of hyperelastic microstructures: Application to stochastic metamaterials [0.34376560669160394]
  本研究の目的は,対象のマクロなストレス応答を実現する構造を同定することである。 各候補設計について、応答は高忠実度オラクルから得られる。 ベイズ誘導型逆設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-16T21:09:57Z)
• $V_1$: Unifying Generation and Self-Verification for Parallel Reasoners [69.66089681814013]
  $V_$は、効率的なペアワイドランキングを通じて生成と検証を統合するフレームワークである。 V_$-Inferはポイントワイド検証でPass@1を最大10%改善する。 V_$-PairRLは、標準のRLとポイントワイドのジョイントトレーニングよりも、テストタイムのスケーリングが7ドル--9%で向上する。
  論文  参考訳（メタデータ） (2026-03-04T17:22:16Z)
• Let It Flow: Agentic Crafting on Rock and Roll, Building the ROME Model within an Open Agentic Learning Ecosystem [90.17610617854247]
  本稿では,エージェントモデルの生産パイプラインを最適化する基盤インフラであるエージェント学習エコシステム(ALE)を紹介する。 ALEは、重量最適化のためのトレーニング後のフレームワークであるROLL、軌道生成のためのサンドボックス環境マネージャであるROCK、効率的なコンテキストエンジニアリングのためのエージェントフレームワークであるiFlow CLIの3つのコンポーネントで構成されている。 ROMEはALEが基盤として100万件以上のトラジェクトリをトレーニングしたオープンソースエージェントです。
  論文  参考訳（メタデータ） (2025-12-31T14:03:39Z)
• Multiple-play Stochastic Bandits with Prioritized Arm Capacity Sharing [52.124267908936396]
  このモデルは、$M$armと$K$playで構成されている。 各アームには複数の能力があり、各ユニットの能力は報酬関数に関連付けられている。 複数のプレーがアームキャパシティを競う場合、アームキャパシティは第1の優先重みで割り当てられる。
  論文  参考訳（メタデータ） (2025-12-25T11:19:09Z)
• InfiGFusion: Graph-on-Logits Distillation via Efficient Gromov-Wasserstein for Model Fusion [36.27704594180795]
  InfiGFusionは、新しいtextitGraph-on-Logits Distillation (GLD)損失を持つ構造認識融合フレームワークである。 GLDは核融合品質と安定性を継続的に改善することを示す。 複雑な推論タスクでは、多段階算術において+35.6、SFT上の因果判定において+37.06が改良された。
  論文  参考訳（メタデータ） (2025-05-20T03:55:35Z)
• Minimax and Communication-Efficient Distributed Best Subset Selection with Oracle Property [0.358439716487063]
  大規模データの爆発はシングルマシンシステムの処理能力を上回っている。 分散推論への伝統的なアプローチは、高次元データセットにおいて真の疎性を達成するのにしばしば苦労する。 そこで本稿では,これらの問題に対処する2段階分散ベストサブセット選択アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-08-30T13:22:08Z)
• Heterogenous Multi-Source Data Fusion Through Input Mapping and Latent Variable Gaussian Process [8.32027826756131]
  提案するフレームワークは,3つの工学的ケーススタディに基づいて実証および解析を行った。 単一のソースモデルに対して予測精度が向上し、変換されるがソースモデルは認識されない。
  論文  参考訳（メタデータ） (2024-07-15T22:27:04Z)
• Refined Mechanism Design for Approximately Structured Priors via Active Regression [50.71772232237571]
  我々は、大量の商品を戦略的入札者に販売する収益を最大化する販売業者の問題を考える。 この設定の最適かつほぼ最適のメカニズムは、特徴付けや計算が難しいことで有名である。
  論文  参考訳（メタデータ） (2023-10-11T20:34:17Z)
• Understanding Interlocking Dynamics of Cooperative Rationalization [90.6863969334526]
  選択的合理化(Selective rationalization)は、ニューラルネットワークの出力を予測するのに十分な入力の小さなサブセットを見つけることによって、複雑なニューラルネットワークの予測を説明する。 このような合理化パラダイムでは,モデルインターロックという大きな問題が浮かび上がっている。 A2Rと呼ばれる新しい合理化フレームワークを提案し、アーキテクチャに第3のコンポーネントを導入し、選択とは対照的にソフトアテンションによって駆動される予測器を提案する。
  論文  参考訳（メタデータ） (2021-10-26T17:39:18Z)

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。