論文の概要: Predicting Space Groups of Double Perovskites by LLM with Dynamic Few-Shot Learning

• arxiv url: http://arxiv.org/abs/2608.10483v1
• Date: Tue, 11 Aug 2026 04:53:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.910493
• Title: Predicting Space Groups of Double Perovskites by LLM with Dynamic Few-Shot Learning
• Title（参考訳）: 動的Few-Shot学習によるLLMによる二重ペロブスカイトの空間群予測
• Abstract要約: 宇宙群予測(DyRIS)のための動的および多様性向上Few-shot Retrievalとルールガイド推論を導入する。 DyRISは、多様性に富んだ動的数発のプロンプトを使用して、しばしば表されるSGの優位性を制限しながら、関連するインコンテキストの例を検索する。 さらに、B/Bのカチオン順序、定量指標、および主要なSGバイアス制御に基づくルール誘導推論を組み込んで、最終Top-3 SG候補を洗練・ランク付けする。
• 参考スコア（独自算出の注目度）: 1.621606615628714
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Double perovskites (DPs) offer broad compositional tunability, but predicting the space groups (SGs) of stable structures remains difficult because available datasets are often strongly imbalanced toward dominant SG classes. We refer to dominant SG classes as major SGs and underrepresented classes as minor SGs. We introduce Dynamic and Diversity-enhanced Few-shot Retrieval and Rule-Guided Inference for Space-Group Prediction (DyRIS), an LLM-agent-based framework that predicts ranked SG candidates from a given DP composition. DyRIS uses diversity-enhanced dynamic few-shot prompting to retrieve relevant in-context examples while limiting the dominance of frequently represented SGs. It further incorporates rule-guided inference based on B/B' cation ordering, quantitative indicators, and major-SG bias control to refine and rank the final Top-3 SG candidates. We evaluate DyRIS on 3,528 thermodynamically filtered DP entries and compare it with composition-based and descriptor-based baselines. At a training-data ratio of 0.5, DyRIS achieves competitive overall accuracy while obtaining the best Overall Top-1 macro-F1 score and the best performance across all Minor-SG metrics. DyRIS improves Minor-SG Top-1 accuracy by 3.26 percentage points relative to CrabNet and achieves higher Minor-SG Top-3 accuracy than the strongest PyCaret-based baseline. Ablation studies show that diversity-enhanced retrieval, quantitative indicators, major-SG bias control, and B/B' ordering information each contribute to prediction performance. Additional experiments show that the final rule-guided inference step is not easily replaced by conventional classifier- or ranker-based models. These findings demonstrate the potential of combining retrieval-based LLM reasoning with crystallographic domain knowledge for SG prediction in imbalanced materials datasets.
• Abstract（参考訳）: 二重ペロブスカイト(DP)は、幅広い構成的チューニング性を提供するが、安定構造の空間群(SG)を予測することは、しばしば利用可能なデータセットが支配的なSGクラスに対して強く不均衡であるため、難しいままである。 我々は、支配的なSGクラスを主要なSGとして、表現されていないクラスをマイナーなSGとして参照する。 本稿では, LLMをベースとしたDP構成から, ランク付けされたSG候補を推定するフレームワークであるDyRISについて, 動的および多様性向上されたFew-shot Retrievalとルールガイドによる宇宙群予測(Reg-Guided Inference for Space-Group Prediction, DyRIS)を紹介する。 DyRISは、多様性に富んだ動的数発のプロンプトを使用して、しばしば表されるSGの優位性を制限しながら、関連するインコンテキストの例を検索する。 さらに、B/Bのカチオン順序、定量指標、および主要なSGバイアス制御に基づくルール誘導推論を組み込んで、最終Top-3 SG候補を洗練・ランク付けする。 我々は,3,528個の熱力学的フィルタリングDPエントリ上でDyRISを評価し,合成ベースおよび記述子ベースラインと比較した。 トレーニングデータ比0.5のDyRISは、Top-1マクロF1スコアと、すべてのマイナーSGメトリクスで最高のパフォーマンスを取得しながら、競争全体の精度を達成する。 DyRISはCrabNetと比較してマイナーSG Top-1の精度を3.26ポイント改善し、最強のPyCaretベースラインよりもマイナーSG Top-3の精度を向上させる。 アブレーション研究では,多様性向上した検索,定量指標,主SGバイアス制御,B/B'順序情報などが予測性能に寄与している。 追加実験では、最終規則誘導推論ステップが従来の分類器やランク付けモデルに置き換えられにくいことが示されている。 これらの結果から, 検索に基づくLCM推論と結晶領域の知識を組み合わせることで, 不均衡な材料データセットのSG予測が可能であった。

関連論文リスト

• Towards Order Fairness: Mitigating LLMs Order Sensitivity through Dual Group Advantage Optimization [20.259122922188126]
  大規模言語モデル(LLM)は、入力要素の配列順序に影響される順序バイアスに悩まされる。 textbfDGAOはモデル精度と順序安定性を同時に向上することを目的としている。
  論文  参考訳（メタデータ） (2026-05-12T11:31:18Z)
• GEAR: Granularity-Adaptive Advantage Reweighting for LLM Agents via Self-Distillation [33.370957547486775]
  Granularity-AdaptivE Advantage Reweightingはトークンレベルの信号とセグメントレベルの信号を使って、軌跡レベルのGRPOの利点を再評価する。 GEARは、標準のGRPO、自己蒸留のみのベースライン、トークンまたはターンレベルのクレジット割り当てメソッドを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-05-12T09:38:38Z)
• Too Correct to Learn: Reinforcement Learning on Saturated Reasoning Data [55.84428098924793]
  構造保存探索を行うためのパラメータ自由復号法である Constrained Uniform Top-K Smpling (CUTS) を提案する。 グループ内の利点分散を増幅するために、エクスプロイトと探索的なロールアウトを相乗化するためのトレーニングフレームワークであるMixed-CUTSに統合する。 特にMixed-CUTSは、AIME25ベンチマークのPass@1の精度を標準のGRPOよりも15.1%向上している。
  論文  参考訳（メタデータ） (2026-04-20T16:43:28Z)
• GRCF: Two-Stage Groupwise Ranking and Calibration Framework for Multimodal Sentiment Analysis [20.77940776708036]
  ペアワイズな順序学習フレームワークは、比較から学ぶことで相対的な順序を捉える。 彼らは全ての比較に均一な重要性を割り当て、ハード・ツー・ランクのサンプルに適応的に焦点をあてることに失敗した。 本稿では,グループ相対的政策最適化の理念を取り入れた二段階群ランク付け・フレームワークを提案する。 GRCFは、コア回帰ベンチマークで最先端のパフォーマンスを達成すると同時に、分類タスクにおいて強力な一般化性を示す。
  論文  参考訳（メタデータ） (2026-01-14T16:26:44Z)
• Supervised Fine-Tuning or Contrastive Learning? Towards Better Multimodal LLM Reranking [56.46309219272326]
  大型言語モデル(LLM)では、教師付き微調整(SFT)による分類は、関連する(非関連)ペアに対して'yes' (resp. ''no')トークンを予測する。 この分散は中心的な疑問を提起する:どの目的がLLMベースのリランクに本質的に適しているか、どのメカニズムが違いの根底にあるのか? 我々はCLとSFTの総合的な比較と分析を行い、ユニバーサルマルチモーダル検索(UMR)を実験場とした。
  論文  参考訳（メタデータ） (2025-10-16T16:02:27Z)
• Does Generative Retrieval Overcome the Limitations of Dense Retrieval? [117.49076770892583]
  生成的検索(GR)はニューラル情報検索の新しいパラダイムとして登場した。 本研究では,GRが高密度検索(DR)から学習目的と表現能力の両方において根本的に分岐するかを検討する。
  論文  参考訳（メタデータ） (2025-09-26T09:38:01Z)
• Evaluating Cumulative Spectral Gradient as a Complexity Measure [0.0]
  データセットの複雑性尺度としてCSG(Cumulative Spectral Gradient)が提案された。 本研究では,標準知識グラフリンク予測ベンチマークを用いてCSGの挙動を厳格に評価する。
  論文  参考訳（メタデータ） (2025-09-02T15:10:25Z)
• GRPO-CARE: Consistency-Aware Reinforcement Learning for Multimodal Reasoning [53.894789613838654]
  我々は、複雑な実世界のビデオにバランスの取れた知覚と推論を必要とするベンチマークであるSEED-Bench-R1を紹介する。 SEED-Bench-R1を用いて、標準GRPOは解の精度を向上する一方で、推論ステップと解の論理的コヒーレンスを57.9%の一貫性で減少させる。 応答の正しさと推論コヒーレンスの両方を明示的な監督なしに最適化する整合性を考慮したRLフレームワークGRPO-CAREを提案する。
  論文  参考訳（メタデータ） (2025-06-19T08:49:13Z)
• NDCG-Consistent Softmax Approximation with Accelerated Convergence [67.10365329542365]
  本稿では,ランキングの指標と直接一致した新たな損失定式化を提案する。 提案したRG損失を高効率な Alternating Least Squares (ALS) 最適化手法と統合する。 実世界のデータセットに対する実証的な評価は、我々のアプローチが同等または上位のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-06-11T06:59:17Z)
• DISCO Balances the Scales: Adaptive Domain- and Difficulty-Aware Reinforcement Learning on Imbalanced Data [65.09939942413651]
  本稿では,グループ間不均衡と2つの重要なイノベーションに対処するGRPOの原理的拡張を提案する。 ドメイン対応報酬スケーリングは、ドメインの頻度に基づいて最適化を再重み付けすることで周波数バイアスに対処する。 難解な報酬のスケーリングは、学習価値を提供する不確実なプロンプトを特定し、優先順位付けするために、プロンプトレベルの自己整合性を活用する。
  論文  参考訳（メタデータ） (2025-05-21T03:43:29Z)
• The Optimality of (Accelerated) SGD for High-Dimensional Quadratic Optimization [4.7256945641654164]
  勾配降下(SGD)は機械学習、特にニューラルネットワークトレーニングにおいて広く使われているアルゴリズムである。 正準2次最適化や線形回帰のSGDに関する最近の研究は、適切な高次元設定で十分に一般化できることを示している。 本稿では,ステップサイズスケジュールと運動量指数の2つの基本成分を持つSGDについて検討する。
  論文  参考訳（メタデータ） (2024-09-15T14:20:03Z)

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。