論文の概要: PhononBench-MP40: a spectrum-resolved benchmark dataset for phonon stability

• arxiv url: http://arxiv.org/abs/2607.22573v1
• Date: Thu, 04 Jun 2026 07:44:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-02 22:55:38.972858
• Title: PhononBench-MP40: a spectrum-resolved benchmark dataset for phonon stability
• Title（参考訳）: PhononBench-MP40 フォノン安定のためのスペクトル分解型ベンチマークデータセット
• Abstract要約: 本稿では、ワークフロー定義されたフォノン安定性を実現するため、マテリアルプロジェクト由来結晶のスペクトル分解ベンチマークデータセットを提案する。 データセットは47,969のMP40ワークフロータスクから始まり、ペアの安定性ラベルとローカルフォノピーYAMLスペクトルを備えた46,899の完了レコードを提供する。 リリースは、安定ラベル、最低サンプリング周波数、しきい値依存のレバリングといったローカルYAMLスペクトルを中心に、そのスペクトルから導出される。
• 参考スコア（独自算出の注目度）: 5.520437299173472
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Imaginary phonon modes remain a practical bottleneck in computational materials screening because otherwise plausible structures can be locally dynamically unstable under a chosen workflow. Here we present PhononBench-MP40, a spectrum-resolved benchmark dataset of Materials Project-derived crystals for workflow-defined phonon stability. The dataset starts from 47,969 MP40 workflow tasks and provides 46,899 completed records with paired stability labels and local phonopy YAML spectra, including 16,683 Stable records and 30,216 completed-phonon unstable records. A further 1,067 relaxation failures are reported separately rather than merged into the completed phonon denominator. The release centers on the local YAML spectrum: the stability label, the lowest sampled frequency and any threshold-dependent relabeling are derived from that spectrum. The dataset is openly available through Science Data Bank at https://doi.org/10.57760/sciencedb.38735. A companion GitHub repository provides the calculation code and lightweight access utilities. PhononBench-MP40 provides an auditable reference for workflow-defined stability classification, minimum-frequency analysis, threshold studies and failure-aware triage, while keeping the reference workflow, data schema and interpretation boundaries explicit.
• Abstract（参考訳）: イマジナリーフォノンモードは、選択されたワークフローの下で局所的に不安定な構造を持つため、計算材料スクリーニングにおいて実用上のボトルネックのままである。 本稿では,PhononBench-MP40について述べる。PhononBench-MP40は,材料プロジェクト由来の結晶のスペクトル分解したベンチマークデータセットで,ワークフロー定義されたフォノン安定性を示す。 データセットは47,969のMP40ワークフロータスクから始まり、ペアの安定性ラベルと16,683の安定レコードと30,216の完全フォノン不安定レコードを含むローカルフォノピーYAMLスペクトルを備えた46,899の完了レコードを提供する。 さらに1,067の緩和障害が、完了したフォノン分母にマージされるのではなく、別々に報告される。 リリースは、安定ラベル、最低サンプリング周波数、しきい値依存のレバリングといったローカルYAMLスペクトルを中心に、そのスペクトルから導出される。 データセットはScience Data Bankのhttps://doi.org/10.57760/sciencedb.38735で公開されている。 コンパニオンGitHubリポジトリは、計算コードと軽量アクセスユーティリティを提供する。 PhononBench-MP40は、ワークフロー定義の安定性分類、最小周波数分析、しきい値の研究、障害認識のトリアージのための監査可能なリファレンスを提供する。

関連論文リスト

• Probe-and-Refine Tuning of Repository Guidance for Coding Agents [0.0]
  LLMベースのコーディングエージェントは、リポジトリに関するより高度な運用知識を必要とする。 近年の研究では, LLMによる誘導がエージェント性能に悪影響を及ぼすか否かが議論されている。 本稿では,その指導方法が決定変数であることを示す。
  論文  参考訳（メタデータ） (2026-06-18T17:30:15Z)
• QuickQudits: A Framework for Efficient Simulation of Noisy Qudit Clifford Circuits via an Extended Stabilizer Tableau Formalism [0.0]
  本稿では,$d$-dimensional qudits に作用する回路の高速古典シミュレーションの枠組みを提案する。 このフレームワークは、ノイズを含むスケーラブルでオープンソースのSong+Weak安定化シミュレータの基盤となる。
  論文  参考訳（メタデータ） (2026-03-24T18:28:49Z)
• A Practical Framework for Flaky Failure Triage in Distributed Database Continuous Integration [15.789124858175827]
  分散データベース継続的インテグレーション(CI)を効率的かつ信頼性に維持するためには、不安定な障害トリアージが不可欠だ。 SCOUTは、分散データベースCIのための、状態認識型オンライン不確実性を校正したトリアージフレームワークである。 SCOUTは、障害前のテレメトリや厳密な歴史的データなど、厳格な因果関係のみを使用して、ルックアヘッドなしでオンライン決定を行う。
  論文  参考訳（メタデータ） (2026-03-24T10:50:25Z)
• Lightweight Self-Supervised Detection of Fundamental Frequency and Accurate Probability of Voicing in Monophonic Music [0.0]
  本稿では,F0推定とVoicing推論のための軽量で完全自己教師型フレームワークを提案する。 提案手法は競争力のあるクロスコーパス性能(RPA 95.84, RCA 96.24)を実現し,クロスインストラクトの一般化を実証する。
  論文  参考訳（メタデータ） (2026-01-16T20:46:33Z)
• PAS: A Training-Free Stabilizer for Temporal Encoding in Video LLMs [57.790910044227935]
  ビデオLLMは時間的不整合に悩まされ、フレームタイミングの小さなシフトは注意をそらすことができ、関連するフレームを抑えることができる。 本稿では, 位相アグリゲード平滑化(PAS)について述べる。これは, 頭部に小さな反対位相オフセットを適用して, 出力を集約する学習自由機構である。 解析の結果,RoPE回転ロジットは,時間核でスケールしたコンテントドット積として近似でき,このカーネルを滑らかにすることで,小さな時間シフトに対する注意のリプシッツ安定性が得られ,マルチフェーズ平均化は,Nyquist-valid サンプリング下での頭当たりスペクトルを保ちながら高周波リップルを減衰させることがわかった。
  論文  参考訳（メタデータ） (2025-11-14T05:56:47Z)
• The Wisdom of the Crowd: High-Fidelity Classification of Cyber-Attacks and Faults in Power Systems Using Ensemble and Machine Learning [0.0]
  本稿では,機械学習に基づくサイバー攻撃と物理的障害の分類のための高忠実度評価フレームワークを提案する。 モデルはラベル付き時間領域測定に基づいてトレーニングされ、サブサイクル応答性のために設計されたリアルタイムストリーミング環境で評価された。
  論文  参考訳（メタデータ） (2025-11-10T05:15:37Z)
• Beyond Next Token Probabilities: Learnable, Fast Detection of Hallucinations and Data Contamination on LLM Output Distributions [60.43398881149664]
  LLM出力シグナチャの効率的な符号化を訓練した軽量アテンションベースアーキテクチャであるLOS-Netを紹介する。 非常に低い検出レイテンシを維持しながら、さまざまなベンチマークやLLMで優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-03-18T09:04:37Z)
• FedDiv: Collaborative Noise Filtering for Federated Learning with Noisy Labels [99.70895640578816]
  雑音ラベル付きフェデレーション学習(F-LNL)は,協調型分散学習を通じて最適なサーバモデルを求めることを目的としている。 我々はF-LNLの課題に取り組むためにFedDivを提案し、特にフェデレートノイズフィルタと呼ばれるグローバルノイズフィルタを提案する。
  論文  参考訳（メタデータ） (2023-12-19T15:46:47Z)
• FedNoisy: Federated Noisy Label Learning Benchmark [53.73816587601204]
  フェデレーション学習は、クライアントからの機密データを集約することなく、分散学習で人気を集めている。 データ分離の分散と分離の性質は、データ品質によって複雑になり、ノイズの多いラベルに対してより脆弱になる可能性がある。 私たちは、研究者が潜在的にフェデレートされたノイズ設定を十分に調査するのに役立つ、最初の標準ベンチマークを提供しています。
  論文  参考訳（メタデータ） (2023-06-20T16:18:14Z)

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。