論文の概要: Active rejection enables reliable generalization of universal machine-learning interatomic potentials

• arxiv url: http://arxiv.org/abs/2607.09456v1
• Date: Fri, 10 Jul 2026 14:24:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-13 14:47:12.861654
• Title: Active rejection enables reliable generalization of universal machine-learning interatomic potentials
• Title（参考訳）: アクティブリジェクションは、ユニバーサル機械学習の原子間ポテンシャルの確実な一般化を可能にする
• Authors: Mingxiang Luo, Xinnan Mao, Lu Wang, Lei Bai, Feng Ding, Yuqiang Li,
• Abstract要約: 我々は,不確実性の下で高忠実度データ構築を再構成するための適応型マルチ教師ルーティング(ATR)を提案する。 ATRは、複数の事前訓練されたuMLIP教師を校正し、構造記述子、教師のアイデンティティ、教師間の不一致を組み合わせて、各構造と教師のペアの信頼性を推定する。 ATRは、保持されたr$2$SCAN構造とMP-r$2$SCANベンチマークのベースラインと非ルート制御を一貫して上回っている。
• 参考スコア（独自算出の注目度）: 16.592395633070407
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Universal machine learning interatomic potentials (uMLIPs) bridge quantum-mechanical accuracy and large-scale molecular dynamics, but the cost of high-accuracy calculations such as r$^2$SCAN limits training to datasets that remain small relative to the open materials space. Strong average benchmark performance also does not guarantee reliable energy--force predictions for every structure. We propose Adaptive Multi-Teacher Routing (ATR), which reformulates high-fidelity data construction as a structure-wise decision problem under uncertainty. Using a small set of real r$^2$SCAN labels, ATR calibrates multiple pretrained uMLIP teachers and combines structural descriptors, teacher identity, and inter-teacher disagreement to estimate the reliability of each structure--teacher pair. It selects high-confidence predictions for pseudo-label generation and rejects structures for which no teacher is sufficiently reliable. With real r$^2$SCAN labels for only 0.2\% of candidate structures, ATR distils 2.89 million traceable r$^2$SCAN-level pseudo-labels for pretraining. On held-out r$^2$SCAN structures and the MP-r$^2$SCAN benchmark, a lightweight CHGNet trained on the ATR-generated dataset consistently outperforms the baseline and non-routed controls. Finite-temperature molecular dynamics further shows that ATR improves dynamical robustness across multiple material systems, maintaining stable trajectories where baseline simulations undergo catastrophic structural collapse. These results establish active rejection as an effective mechanism for converting multiple pretrained uMLIPs into a scalable and reliable data-construction system for high-fidelity uMLIPs.
• Abstract（参考訳）: UMLIP(Universal Machine Learning Interatomic potentials)は、量子力学的精度と大規模分子動力学を橋渡しするが、r$^2$SCANのような高精度計算のコストは、オープンマテリアル空間に対して小さいデータセットに制限される。 強い平均ベンチマーク性能は、すべての構造に対する信頼性の高いエネルギー力予測を保証しない。 本稿では,不確実性を考慮した構造的判断問題として高忠実度データ構築を再構成する適応型多教師ルーティング(ATR)を提案する。 実 r$^2$SCAN ラベルの小さなセットを用いて、ATR は事前訓練された複数の UMLIP 教師を校正し、構造記述子、教師のアイデンティティ、教師間の不一致を組み合わせ、各構造的-教師ペアの信頼性を推定する。 疑似ラベル生成のための高信頼予測を選択し、教師が十分に信頼できない構造を拒絶する。 実際の r$^2$SCAN ラベルは候補構造の 0.2 % しか持たないため、ATR は2.89 万のトレーサブル r$^2$SCAN レベルの擬似ラベルを事前訓練のために消毒する。 ホールドアウトされたr$^2$SCAN構造とMP-r$^2$SCANベンチマークでは、ATR生成データセットでトレーニングされた軽量CHGNetがベースラインと非ルート制御を一貫して上回る。 有限温度分子動力学により、ATRは複数の物質系にまたがる動的堅牢性を向上し、ベースラインシミュレーションが破滅的な構造破壊を受ける安定した軌道を維持することが示されている。 これらの結果は、複数の事前学習されたuMLIPを、高忠実なuMLIPのためのスケーラブルで信頼性の高いデータ構築システムに変換するための効果的なメカニズムとして、アクティブな拒絶を確立する。

関連論文リスト

• Customer Churn Prediction on Structured Data Using FT-Transformer and Stacking Ensembles [0.0]
  本研究では,特徴量変換器(FT-Transformer)をキャリブレーション積み重ねによる勾配木と統合したハイブリッドアーキテクチャを提案する。 提案手法は, 統計的検証, 確率, キャリブレーションの持続的ギャップに対処し, 先行研究で確認された。 パブリックバンクチャーンデータセットでは、ハイブリッドモデル62.10% F1、0.861 AUC-ROC、0.647 PR-AUCがMulti-Layer Perceptron(MLP)ベースラインを3.37 F1ポイント、0.027 AUCを95%の信頼区間で上回っている。
  論文  参考訳（メタデータ） (2026-05-26T23:02:38Z)
• Multimodal Learning on Low-Quality Data with Conformal Predictive Self-Calibration [72.0672328514289]
  マルチモーダル学習は、しばしば低品質データの課題に悩まされる。 コンフォーマル予測自己校正(Conformal Predictive Self-Calibration)と呼ばれる統合フレームワークを提案する。 私たちのフレームワークは、既存の最先端メソッドを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-05-05T14:48:52Z)
• Equivariant Evidential Deep Learning for Interatomic Potentials [55.6997213490859]
  不確かさの定量化は、分子動力学シミュレーションにおける機械学習の原子間ポテンシャルの信頼性を評価するために重要である。 既存のMLIPのUQアプローチは、高い計算コストや準最適性能によって制限されることが多い。 我々は,原子間ポテンシャルの定量的深層学習(texte2$IP)を提案する。
  論文  参考訳（メタデータ） (2026-02-11T02:00:25Z)
• QuAIL: Quality-Aware Inertial Learning for Robust Training under Data Corruption [7.630511612007769]
  品質インフォームドトレーニング機構QuAILを学習プロセスに直接組み込む。 QuAILは、ランダムと値依存の両方の汚損の下で、ニューラルベースラインよりも平均性能を一貫して向上することを示す。
  論文  参考訳（メタデータ） (2026-02-03T16:06:30Z)
• Consolidation or Adaptation? PRISM: Disentangling SFT and RL Data via Gradient Concentration [56.074760766965085]
  PRISMは、モデルの既存の知識との認知的対立度に基づいてデータを調停する動的認識フレームワークを実現する。 この結果から,内部最適化方式に基づくデータ分離が,スケーラブルでロバストなエージェントアライメントに不可欠であることが示唆された。
  論文  参考訳（メタデータ） (2026-01-12T05:43:20Z)
• Physics-Informed Multimodal Bearing Fault Classification under Variable Operating Conditions using Transfer Learning [0.46085106405479537]
  本研究では,物理インフォームド・マルチモーダル畳み込みニューラルネットワーク (CNN) とレイトフュージョンアーキテクチャを提案する。 このモデルには、物理的に不可解な予測をペナルティ化する、新しい物理インフォームド・ロス関数が組み込まれている。 パーダーボーン大学のデータセットの実験では、提案された物理学的インフォームドアプローチが、非物理学的インフォームドベースラインを一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2025-08-11T01:32:09Z)
• Accurate, transferable, and verifiable machine-learned interatomic potentials for layered materials [0.0]
  ツイストされた層状バンダーワールス材料は、しばしば、非ツイストの材料に欠如しているユニークな電子的および光学的特性を示す。 本稿では、層内相互作用と層間相互作用を分離する、マシン学習型原子間ポテンシャルとデータセットキュレーション手法を提案する。 本手法は,様々な層内相互作用モデルや層間相互作用モデルとシームレスに統合し,モワール材料の計算的緩和を可能にする。
  論文  参考訳（メタデータ） (2025-03-19T17:14:02Z)
• MixedNUTS: Training-Free Accuracy-Robustness Balance via Nonlinearly Mixed Classifiers [41.56951365163419]
  MixedNUTSは、ロバストな分類器の出力ロジットを3つのパラメータしか持たない非線形変換で処理する訓練不要の手法である。 MixedNUTSは変換されたロジットを確率に変換し、それらを全体の出力として混合する。 CIFAR-10、CIFAR-100、ImageNetデータセットでは、MixedNUTSの精度とほぼSOTAの堅牢性を大幅に改善した。
  論文  参考訳（メタデータ） (2024-02-03T21:12:36Z)
• Robust Self-Supervised LiDAR Odometry via Representative Structure Discovery and 3D Inherent Error Modeling [67.75095378830694]
  そこで我々は,2段階のオドメトリ推定ネットワークを構築し,一連の部分領域変換を推定してエゴモーメントを求める。 本稿では,トレーニング,推論,マッピングフェーズにおける信頼できない構造の影響を軽減することを目的とする。 我々の2フレームのオードメトリーは、翻訳/回転誤差の点で、過去の芸術の状態を16%/12%上回っている。
  論文  参考訳（メタデータ） (2022-02-27T12:52:27Z)
• Federated Learning with Unreliable Clients: Performance Analysis and Mechanism Design [76.29738151117583]
  Federated Learning(FL)は、分散クライアント間で効果的な機械学習モデルをトレーニングするための有望なツールとなっている。 しかし、低品質のモデルは信頼性の低いクライアントによってアグリゲータサーバにアップロードすることができ、劣化やトレーニングの崩壊につながる。 クライアントの信頼できない振る舞いをモデル化し、このようなセキュリティリスクを軽減するための防御メカニズムを提案する。
  論文  参考訳（メタデータ） (2021-05-10T08:02:27Z)

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。