論文の概要: Using large language models to probe the limits of atom-centered structural descriptors

• arxiv url: http://arxiv.org/abs/2607.26984v1
• Date: Wed, 29 Jul 2026 14:40:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.705653
• Title: Using large language models to probe the limits of atom-centered structural descriptors
• Title（参考訳）: 大規模言語モデルを用いて原子中心構造記述子の限界を探索する
• Abstract要約: 最大7つの近傍のクラスターを考慮しても区別できない3次元構造の例を報告する。 建設における重要な材料は、異なるコミュニティで数十年にわたって知られていた結果に遡ることができる。
• 参考スコア（独自算出の注目度）: 1.7188280334580195
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mapping an atomic structure to a compact set of geometric descriptors is an essential step in any machine-learning application to atomic-scale modeling. A powerful and widely-used approach can be understood as a discretization of the histogram of pair distances, triangles, etc., that results in a hierarchy of symmetry-invariant atom-centered descriptors. Unfortunately, the lower rungs on this hierarchy (two, three, four-neighbor clusters) were found to be incomplete, with symmetry-unrelated pairs of structures having exactly the same descriptors. However, all the ``descriptor degeneracies'' reported so far are resolved by considering larger clusters of neighbors to build the descriptors. We report examples of 3D structures that are indistinguishable even if one considers clusters of up to seven neighbors, and to arbitrary order when considering a practical level of discretization of the descriptors, discovered with the assistance of large language models. The key ingredients in their construction can be traced to results that have been known for decades in different communities; the model was able to find the references and recognize their significance for the problem at hand. We believe this experiment exposes an extremely fruitful usage pattern for AI in science: translating results between different communities and application domains, accelerating the process by which serendipitous discoveries in a field become paradigm-shifting breakthroughs in another.
• Abstract（参考訳）: 原子構造を幾何学的記述子のコンパクトな集合にマッピングすることは、あらゆる機械学習アプリケーションにおいて原子スケールモデリングに必須のステップである。 強力で広く使われているアプローチは、ペア距離や三角形などのヒストグラムの離散化として理解することができ、対称不変な原子中心記述子の階層化をもたらす。 残念なことに、この階層上の下段差(2, 3, 4-隣のクラスター)は不完全であることが判明し、対称性とは無関係な構造の対は全く同じ記述子を持つ。 しかし、現在報告されている 'descriptor degeneracies' はすべて、記述子を構築するために隣人のより大きなクラスタを考慮することで解決されている。 大規模言語モデルの助けを借りて発見された記述子の現実的な離散化レベルを考慮した場合, 最大7つの隣人のクラスタを考慮しても, 識別不能な3次元構造の例を報告する。 彼らの建設における重要な要素は、異なるコミュニティで何十年にもわたって知られていた結果に遡ることができる。 我々は、この実験が科学におけるAIの極めて実りの多い利用パターンを明らかにすると信じている。異なるコミュニティとアプリケーションドメイン間の結果を翻訳し、フィールドにおけるセレンディピティーな発見が別の分野におけるパラダイムシフトのブレークスルーとなるプロセスを促進する。

関連論文リスト

• Learning to Tessellate: Point Cloud Generation via Recursive Spectral Partitioning [58.130498928480456]
  本稿では, トポロジ保存型テッセルレーションプロセスとして, 点雲生成を再構成する自己回帰フレームワークであるPointRSPを提案する。 PointRSPは、複雑な3Dトポロジーをまたいだ強力な一般化を証明し、世代品質と多様性の最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-08-03T16:11:43Z)
• OpenGaFF: Open-Vocabulary Gaussian Feature Field with Codebook Attention [80.51557267896938]
  オープンな3Dシーン理解のための新しいフレームワークであるOpenGaFFについて述べる。 我々の手法の中核はガウス的特徴場であり、ガウス幾何学と外見の連続関数として意味論をモデル化する。 オブジェクトレベルのセマンティック一貫性をさらに強化するために、共有セマンティックプリミティブのセットとして機能する構造化コードブックを導入する。
  論文  参考訳（メタデータ） (2026-05-07T12:10:07Z)
• TopoOR: A Unified Topological Scene Representation for the Operating Room [54.50897207203292]
  手術シーングラフは外科手術室(OR)の複雑さを実体の構造とその関連性に抽象化する。 マルチモーダルな手術室を高次構造としてモデル化する新しいパラダイムであるTopoORを紹介する。 また,多様体の構造やモジュラリティに特有な特徴を明示的に保存する高次アテンション機構を提案する。
  論文  参考訳（メタデータ） (2026-03-10T10:19:42Z)
• PointCoT: A Multi-modal Benchmark for Explicit 3D Geometric Reasoning [82.55361351483005]
  我々は,3次元データに対する明示的なチェーン・オブ・ソート(CoT)推論でMLLMを強化する新しいフレームワークであるPointCoTを提案する。 両ストリームのマルチモーダルアーキテクチャを活用することで,幾何学的真理とセマンティックな外観を相乗化することができる。
  論文  参考訳（メタデータ） (2026-02-27T11:47:45Z)
• SegSplat: Feed-forward Gaussian Splatting and Open-Set Semantic Segmentation [114.57192386025373]
  SegSplatは、高速でフィードフォワードな3D再構成とリッチでオープンなセマンティック理解のギャップを埋めるために設計された、新しいフレームワークである。 この研究は、意味的に認識された3D環境の実践的でオンザフライな生成に向けた重要なステップである。
  論文  参考訳（メタデータ） (2025-11-23T10:26:38Z)
• Broad Spectrum Structure Discovery in Large-Scale Higher-Order Networks [1.7273380623090848]
  本稿では,大規模ハイパーグラフにおいて,メソスケールの広いスペクトルを効率的に表現し,発見する確率モデルについて紹介する。 低ランク表現を用いたクラス間の潜時相互作用による観測ノードの相互作用をモデル化することにより、我々はリッチな構造パターンを抽出する。 提案モデルは,最先端手法によるリンク予測を改善し,多様な実世界のシステムにおける解釈可能な構造を発見する。
  論文  参考訳（メタデータ） (2025-05-27T20:34:58Z)
• The Geometry of Meaning: Perfect Spacetime Representations of Hierarchical Structures [0.0]
  3次元ミンコフスキー時空に階層構造を埋め込む高速アルゴリズムが存在することを示す。 我々の結果は、すべての離散データが3次元の完全な幾何学的表現を持っていることを示唆しているように思われる。
  論文  参考訳（メタデータ） (2025-05-07T20:41:06Z)
• Optimal Invariant Bases for Atomistic Machine Learning [1.8849301976115886]
  多くの機械学習モデルは原子の局所環境を記述するが、その多くは不完全または機能的依存である。 我々は、パターン認識文学から既存の原子論的な表現に至るまでの技法を用いて、完全性を満たす最小の集合を生成する。 これにより、各ニューロンに最大5体パターンを認識可能な、メッセージパッシングネットワークアーキテクチャが新たに構築されることを示す。
  論文  参考訳（メタデータ） (2025-03-30T16:52:29Z)
• The Geometry of Concepts: Sparse Autoencoder Feature Structure [10.95343312207608]
  宇宙は3つのレベルで興味深い構造を持つ。 ブレイン」中間スケール構造は、空間的モジュラリティが著しく高い。 特徴点雲の「ガラクシー」スケールの大規模構造は等方性ではなく、中層で最も急勾配の固有値のパワー則を持つ。
  論文  参考訳（メタデータ） (2024-10-10T17:58:47Z)
• Counterfactual Explanations for Graph Classification Through the Lenses of Density [19.53018353016675]
  グラフ分類器のインスタンスレベルの反実例記述を生成するための一般密度に基づく反実例探索フレームワークを定義する。 この一般的なフレームワークでは,三角形の開きあるいは閉きによる反実数グラフの探索法と,最大傾きによって駆動される方法の2つの具体的インスタンス化を示す。 提案手法の有効性を7つの脳ネットワークデータセットで評価し, 広く利用されている指標に基づいて生成した偽事実を比較検討した。
  論文  参考訳（メタデータ） (2023-07-27T13:28:18Z)
• Higher-order topological kernels via quantum computation [68.8204255655161]
  トポロジカルデータ分析(TDA)は、複雑なデータから意味のある洞察を抽出する強力なツールとして登場した。 本稿では,ベッチ曲線の次数増加に基づくBettiカーネルの量子的定義法を提案する。
  論文  参考訳（メタデータ） (2023-07-14T14:48:52Z)
• Semi-Supervised Manifold Learning with Complexity Decoupled Chart Autoencoders [45.29194877564103]
  本研究は、クラスラベルなどの半教師付き情報を付加できる非対称符号化復号プロセスを備えたチャートオートエンコーダを導入する。 このようなネットワークの近似力を議論し、周囲空間の次元ではなく、本質的にデータ多様体の内在次元に依存する境界を導出する。
  論文  参考訳（メタデータ） (2022-08-22T19:58:03Z)
• Persistent homology-based descriptor for machine-learning potential of amorphous structures [0.0]
  アモルファス材料の物性の高精度予測は、凝縮物質物理学において困難である。 これを実現するための有望な方法は機械学習ポテンシャルであり、これは計算に要求されるアブ・イニシアト計算に代わるものである。 永続ホモロジーの2次元表現である持続図(PD)に基づく新しい記述子を提案する。
  論文  参考訳（メタデータ） (2022-06-28T03:29:08Z)

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。