論文の概要: EquiFiLM: Charge-Conditioned Equivariant Force Fields via Feature-wise Linear Modulation

• arxiv url: http://arxiv.org/abs/2607.05559v1
• Date: Mon, 06 Jul 2026 18:56:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.304381
• Title: EquiFiLM: Charge-Conditioned Equivariant Force Fields via Feature-wise Linear Modulation
• Title（参考訳）: EquiFiLM: 特徴量線形変調による帯電型等変力場
• Abstract要約: EquiFiLMは、任意の同変基盤MLFFに連続的な外部条件を追加する軽量拡張である。 最小限のトレーニングデータから、潜在的エネルギー表面への外部駆動的な変化を学習する。 基礎モデル MACE-MatPES をバックボーンとして, 帯電した液体水上でのレシピを実証する。
• 参考スコア（独自算出の注目度）: 0.3914676152740142
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Foundation machine learning force fields (MLFFs) such as MACE-MP-0 and UMA cover broad chemical space at near density functional theory (DFT) accuracy. However, they assume equilibrium ground-state physics and do not natively handle externally induced changes to the electronic state, such as charging, applied fields, or electronic excitation, which limits their use for driven processes such as photoexcitation and charge injection. We propose EquiFiLM, a lightweight extension that adds continuous external conditioning to any equivariant foundation MLFF via a per-layer Feature-wise Linear Modulation (FiLM) block, learning externally driven changes to the potential energy surface from minimal training data. The block modulates only scalar channels and preserves E(3)-equivariance exactly. We demonstrate the recipe on charged liquid water with the foundation model MACE-MatPES as the backbone, yielding E-MACE. On the four training charges, E-MACE delivers a $3.1\times$ reduction in force RMSE ($21.3$ to $6.96$ meV/$\mathring{A}$) and a $61\times$ reduction in per-atom energy RMSE ($6.1$ to $0.1$ meV/atom) over a baseline without EquiFiLM trained on the same data, at indistinguishable inference cost. Across seven held-out interpolation and extrapolation charges, force RMSE stays within $18-61$ meV/$\mathring{A}$ and energy RMSE within $0.7-5.4$ meV/atom. The model runs stable molecular dynamics across the full range tested and predicts the charge-dependent first-shell response of the reduced pair distribution function probed by ultrafast electron diffraction. Adding this conditioning axis to the foundation requires only a few thousand DFT-labeled frames, against the $\approx 10^8$ structures of a charge-aware foundation trained from scratch. The recipe is backbone- and conditioning-agnostic: it applies without architectural change to any equivariant MLFF with scalar interaction-layer channels.
• Abstract（参考訳）: MACE-MP-0やUMAのような基礎機械学習力場(MLFF)は、近密度汎関数理論(DFT)の精度で広い化学空間をカバーする。 しかし、平衡基底状態物理学を仮定し、電荷、応用場、電子励起のような外部から引き起こされる電子状態の変化をネイティブに扱わない。 EquiFiLMは、最小限のトレーニングデータから、潜在的エネルギー表面への外部駆動的な変化を学習し、階層ごとの機能ワイド線形変調(FiLM)ブロックを介して、任意の不変基盤MLFFに連続的な外部条件を加える軽量な拡張である。 このブロックはスカラーチャネルのみを変調し、E(3)-等分散を正確に保存する。 基礎モデル MACE-MatPES をバックボーンとし, 帯電液にE-MACEを与える方法を示した。 4回のトレーニングでは、E-MACEはRMSE (21.3$ to 6,.96$ meV/$\mathring{A}$) と6.11\times$ RMSE (6.1$ to $0.1$ meV/atom) を同じデータでトレーニングすることなくベースライン上で実行している。 保留中の7つの補間および外挿電荷のうち、力RMSEは18-61$ meV/$\mathring{A}$とエネルギーRMSEは0.7-5.4$ meV/atomに留まる。 このモデルは試験された全範囲にわたって安定な分子動力学を実行し、超高速電子回折によって探索された還元対分布関数の電荷依存第一殻応答を予測する。 ファウンデーションにこの条件付軸を追加するには、数千DFTラベルのフレームしか必要とせず、スクラッチから訓練されたチャージ・アウェア・ファンデーションの$\approx 10^8$の構造に対してである。 レシピはバックボーンとコンディショニングに依存しない:スカラーの相互作用層チャネルを持つ任意の同変MLFFにアーキテクチャ上の変更を加えることなく適用される。

関連論文リスト

• A variational physics-informed graph neural network for heterogeneous solid mechanics [0.0]
  本研究は, 実験場ではなく, 離散化によってコンフォーメーションを導出する, 変分・ラベルなし物理インフォームドグラフニューラルネットワーク(PI-GNN)を提案する。
  論文  参考訳（メタデータ） (2026-09-10T02:02:32Z)
• Round-Trip Consistency: Bidirectional Diffusion Models Can Predict Their Own Rollout Errors [51.56484100374058]
  自動回帰モデルは、長時間のロールアウトでエラーを蓄積しますが、デプロイ時には、それを測定するための基本的な真実はありません。 我々は、方向フラグを介して動的システムを前方または後方にステップする単一の条件付き潜在拡散モデルを訓練する。 この双方向性は測定不要なテスト時間誤差信号を提供することを示す。
  論文  参考訳（メタデータ） (2026-08-01T13:49:46Z)
• Structural Kolmogorov-Arnold Convolutions: Learnable Function on the Values or the Filter Shape as Parameter-Efficient Alternative to Per-Edge Convolutional KANs [76.06235645266621]
  Convolutional Kolmogorov--Arnold Networks (KAN) は、畳み込みカーネルの固定重みを学習可能な単変数関数に置き換える。 学習可能な関数は、各エッジよりも畳み込みのエンファン構造に置かれる方がよいと我々は主張する。
  論文  参考訳（メタデータ） (2026-06-23T10:00:26Z)
• Metric--Phase Fields: Decoupling Distance and Sign for Thin-Structure Reconstruction from Unoriented Point Clouds [67.30236447078187]
  本稿では,距離近接を位相相から分離する非結合な暗黙的表現であるMetric-Phase Fields (MPFs)を紹介する。 合成および走査された薄殻形状と薄板形状の両方の実験により、MPFは最近のSDF法よりも薄くて層状構造を忠実に保存することが示された。
  論文  参考訳（メタデータ） (2026-05-25T07:08:57Z)
• Weight Decay Regimes in Grokking Transformers: Cheap Online Diagnostics [0.0]
  モジュラー演算で訓練された変換器は、記憶、一般化、崩壊の急激な遷移を示す。 重み劣化はこれらの状態に対するスカラーな経験的制御パラメータとして機能することを示す。 トレーニングのダイナミクスをトラックするオンライン診断,平均的注意頭コサイン類似性とエントロピー標準偏差を導入する。
  論文  参考訳（メタデータ） (2026-05-19T19:48:40Z)
• FlowMorph: Physics-Consistent Self-Supervision for Label-Free Single-Cell Mechanics in Microfluidic Videos [0.0]
  赤血球の力学的性質は、血液疾患や全身疾患に対して有望なバイオマーカーである。 本稿では,ラベルフリーなスカラー・メカニクス・プロキシであるFlowMorphについて,短時間の光場マイクロ流体ビデオからRBC毎に$k$で学習する自己教師型フレームワークを紹介した。
  論文  参考訳（メタデータ） (2026-01-25T18:57:36Z)
• Balancing Centralized Learning and Distributed Self-Organization: A Hybrid Model for Embodied Morphogenesis [0.0]
  本研究では,学習可能な脳様のコントローラを細胞様のグレースコット基質に結合して,最小限の努力でステアパターン形成を行う方法について検討する。 コンパクトな畳み込みポリシは、微分可能なPyTorch反応拡散シミュレータに埋め込まれる。
  論文  参考訳（メタデータ） (2025-11-13T09:05:27Z)
• Delta-learned force fields for nonbonded interactions: Addressing the strength mismatch between covalent-nonbonded interaction for global models [0.0]
  textit$Delta$-sGDMLは、フラグメント固有のモデルを訓練し、推論時にそれらを合成することによって、分子内および分子間物理学を分解するスケールアウェアな定式化である。 textit$Delta$-sGDMLは1つのグローバルモデルに対して一貫した利得を示し、エネルギー精度を損なうことなく、フラグメント解決された力-エラーの削減をtextbf75%まで削減する。
  論文  参考訳（メタデータ） (2025-11-01T06:15:05Z)
• Quantum Simulations of Battery Electrolytes with VQE-qEOM and SQD: Active-Space Design, Dissociation, and Excited States of LiPF$_6$, NaPF$_6$, and FSI Salts [3.9985941705890142]
  電池電解質の励起状態を予測するために,ハイブリッド量子古典アルゴリズムを用いる。 PF$_6$塩はより高い第一励起エネルギーを示す。 Li$+$をNa$+$に置き換えると、それぞれのアニオン族の中でsim$0.4--0.8 eVでギャップを狭める。
  論文  参考訳（メタデータ） (2025-09-17T08:50:48Z)
• Learning Equivariant Non-Local Electron Density Functionals [51.721844709174206]
  等変グラフニューラルネットワーク(GNN)に基づく新しい非局所XC関数であるEquivariant Graph Exchange correlation (EG-XC)を導入する。 この点の雲に同変GNNを適用することにより、スケーラブルで正確な分子レンジ相互作用をキャプチャする。 EG-XCは、QM9上のデータ効率と分子サイズの外挿に優れ、5倍以上の分子で訓練された整合力場である。
  論文  参考訳（メタデータ） (2024-10-10T14:31:45Z)
• Communication and Energy Efficient Slimmable Federated Learning via Superposition Coding and Successive Decoding [55.58665303852148]
  フェデレートラーニング(FL)は、生データの代わりにローカルにトレーニングされたモデルを交換することで、プライベートデータを利用する大きな可能性を持っている。 我々はSlimFLという新しいエネルギー・通信効率のFLフレームワークを提案する。 SlimFLは0.5$xモデルと1.0$xモデルの両方を適切な精度と収束速度で同時に訓練できることを示す。
  論文  参考訳（メタデータ） (2021-12-05T13:35:26Z)
• BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
  機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。 ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
  論文  参考訳（メタデータ） (2021-06-08T10:14:57Z)
• Mapping the charge-dyon system into the position-dependent effective mass background via Pauli equation [77.34726150561087]
  この研究は、陽イオンと反対の電荷と相互作用する1/2$フェルミオンの電荷スピンからなる量子システムを再現することを目的としている。
  論文  参考訳（メタデータ） (2020-11-01T14:38:34Z)

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。