論文の概要: A single design choice determines whether machine learning models of materials make physically impossible predictions

• arxiv url: http://arxiv.org/abs/2608.18714v1
• Date: Wed, 19 Aug 2026 09:14:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.360848
• Title: A single design choice determines whether machine learning models of materials make physically impossible predictions
• Title（参考訳）: 1つの設計選択は、材料の機械学習モデルが物理的に不可能な予測を行うかどうかを決定する
• Abstract要約: 機械学習モデルは、材料発見における第一原理計算を置き換える。 対称性は特定の性質テンソルを正確に0に強制するので、非ゼロ予想は不正確ではなく物理的に不可能である。 モデルがそのような予測を下すことができるかどうかを、稀に報告される設計ビットによるトレーニング前に決定する。
• 参考スコア（独自算出の注目度）: 2.3982445219832678
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine-learned models are replacing first-principles calculations across materials discovery, and physical symmetry is the central guarantee built into them. The debate over how much symmetry to hard-wire rather than learn has run on rotations, where a symmetry error is an approximation error. Some constraints are exact: symmetry forces certain property tensors to exactly zero, so a nonzero prediction is physically impossible rather than inaccurate. Here we show that whether a model can make such predictions is decided before training by one rarely reported design bit, whether its features carry parity labels, and derive a criterion, the parity gap, that computes from group theory alone which properties and crystals are exposed. Across matched architecture pairs differing only in that bit, evaluated on two thousand centrosymmetric crystals whose piezoelectric tensor must vanish, parity-labelled arms sit at the floating-point floor while rotation-only arms predict forbidden responses on 90-96% of crystals, six orders of magnitude apart, at no accuracy cost. Training on explicit zeros does not recover exactness, and a head on a frozen universal potential inherits its backbone's symmetry group. One reflection at random initialization verifies the label in seconds.
• Abstract（参考訳）: 機械学習モデルは、材料発見における第一原理計算を置き換えるものであり、物理対称性はそれらに組み込まれた中心的な保証である。 学習よりもハードワイヤの対称性がどの程度回転するかという議論は、対称性の誤差が近似誤差であるローテーションで行われている。 対称性は特定の性質テンソルを正確に0に強制するので、非ゼロ予想は不正確ではなく物理的に不可能である。 ここでは、モデルがトレーニング前に、その特徴がパリティラベルを持つかどうかを報告されていない設計ビットによって決定できるかどうかを示し、その性質と結晶が露出する群理論のみから計算するパリティギャップの基準を導出する。 一致したアーキテクチャ対は、そのビットでのみ異なるが、圧電テンソルが消えなければならない2千個の中心対称結晶で評価され、パリティ標識の腕は浮動小数点階に置かれ、回転のみの腕は90～96%の結晶に対して6桁の精度で禁止応答を予測した。 明示的な零点のトレーニングは正確性を取り戻すことができず、凍結された普遍ポテンシャル上のヘッドはそのバックボーンの対称性群を継承する。 ランダム初期化時の1つの反射は、ラベルを数秒で検証する。

関連論文リスト

• More Data Cannot Break a Symmetry: Identifiability by Design [13.778717173535577]
  教師なし表現アライメントは、幾何学だけで刺激による対応を回復する。 刺激幾何学の自己同型群は、データが存在する前にそのようなアライメントが特定できるものの境界である。 私たちは、この既知の幾何学を、設計時の診断と介入に変換する。
  論文  参考訳（メタデータ） (2026-08-27T19:38:09Z)
• Intrinsic Structure: Spectral Identifiability for Mechanistic Interpretability [51.56484100374058]
  機械論的解釈可能性プリミティブに対する最初の識別可能性定理を証明した。 スペクトルは、正当性分解ではなく、記述されたエラーバーを持つ識別可能なモデル固有の指紋である。
  論文  参考訳（メタデータ） (2026-08-10T19:42:01Z)
• Exploiting More Than Symmetry in Variational Quantum Machine Learning [2.9695823613761316]
  我々はTic-Tac-Toeを完全可算かつ構造的に透明なテストケースとして使用しています。 適切な部分群は一般化の利点のほとんどを保っていることが分かる。 支配的な利益は、決定的なタスクモチーフに直接作用するゲートから生じる。
  論文  参考訳（メタデータ） (2026-06-18T14:52:54Z)
• Aligning Network Equivariance with Data Symmetry: A Theoretical Framework and Adaptive Approach for Image Restoration [71.51826063983434]
  画像復元は本質的に逆問題である。 非厳密対称性を制約として、復元逆問題を定式化する。 最適復元演算子の等値誤差はデータ対称性誤差と離散化メッシュサイズによって厳密に制限されていることを示す。
  論文  参考訳（メタデータ） (2026-05-13T16:22:19Z)
• Time Symmetry, Retrocausality, and Emergent Collapse: The Tlalpan Interpretation of Quantum Mechanics [51.56484100374058]
  Tlalpan Interpretation (QTI) は、波動関数の崩壊は原始的、公理的な規則ではなく、創発的な現象であると主張する。 QTIの新規性は、統計物理学における臨界現象の概念言語に崩壊を埋め込むことにある。
  論文  参考訳（メタデータ） (2025-08-25T20:30:56Z)
• On Equivariant Model Selection through the Lens of Uncertainty [49.137341292207]
  等変モデルは、予測性能を改善するために対称性に関する事前の知識を活用するが、不特定なアーキテクチャ上の制約がそれを傷つける可能性がある。 我々は、頻繁な(コンフォーマル予測による)、ベイジアン(限界確率による)、およびキャリブレーションに基づく評価による誤りに基づく評価の比較を行った。 不確実性指標は一般的に予測性能と一致するが,ベイズ模型の証拠は矛盾する。
  論文  参考訳（メタデータ） (2025-06-23T13:35:06Z)
• Probing the effects of broken symmetries in machine learning [0.0]
  我々は,非対称モデルがデータから対称性を学習できることを示す。 我々は、対称性の破れによって、直接的または間接的に影響を受けやすい物理的観測物に特に焦点を合わせ、モデルが補間的でバルクな状態で使用されるとき、無視可能な結果を見つける。
  論文  参考訳（メタデータ） (2024-06-25T17:34:09Z)
• A Space Group Symmetry Informed Network for O(3) Equivariant Crystal Tensor Prediction [89.38877696273364]
  結晶材料の一般的な引張特性の予測について考察する。 本稿では,必要な対称性を満たすために慎重に設計された汎用材料ネットワーク(GMTNet)を提案する。 実験の結果, GMTNetは様々な順序の結晶テンソル上で有望な性能を達成できた。
  論文  参考訳（メタデータ） (2024-06-03T16:26:16Z)
• Generative Adversarial Symmetry Discovery [19.098785309131458]
  リーGANは対称性を解釈可能なリー代数基底として表現し、様々な対称性を発見できる。 学習された対称性は、予測の精度と一般化を改善するために、既存の同変ニューラルネットワークで容易に利用することができる。
  論文  参考訳（メタデータ） (2023-02-01T04:28:36Z)
• Don't Just Blame Over-parametrization for Over-confidence: Theoretical Analysis of Calibration in Binary Classification [58.03725169462616]
  理論上は、過剰パラメトリゼーションは過剰信頼の唯一の理由ではない。 我々は、ロジスティック回帰は本質的に信頼過剰であり、実現可能で、非パラメータな設定であることを示す。 おそらく驚くことに、過剰な信頼が常にそうであるとは限らないことも示します。
  論文  参考訳（メタデータ） (2021-02-15T21:38:09Z)
• Breaking Symmetries of the Reservoir Equations in Echo State Networks [0.0]
  最も一般的なセットアップは有害な対称性を持ち、ミラー・トラクターと呼ばれるものを予測することに繋がる。 同様の問題が一般的な文脈で起こりうるので、いくつかの設計の成功や失敗を説明するためにそれらを使用します。
  論文  参考訳（メタデータ） (2020-09-21T16:00:22Z)

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。