論文の概要: SCALE: Simulation-Calibrated Amortized Learning for Energy Materials (A hybrid architecture connecting deterministic modeling, real-world data, and transformer-scale inference for accelerated energy-materials discovery)

• arxiv url: http://arxiv.org/abs/2609.22233v1
• Date: Thu, 03 Sep 2026 04:56:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.797322
• Title: SCALE: Simulation-Calibrated Amortized Learning for Energy Materials (A hybrid architecture connecting deterministic modeling, real-world data, and transformer-scale inference for accelerated energy-materials discovery)
• Title（参考訳）: SCALE:Sim Simulation-Calibrated Amortized Learning for Energy Materials (高速エネルギー材料発見のための決定論的モデリング、実世界データ、トランスフォーマースケール推論を結合したハイブリッドアーキテクチャ)
• Abstract要約: エネルギーシステムは、セキュリティ、手頃な価格、レジリエンス、持続可能性に対する集中的な圧力に直面している。 本研究では,理科演算子,実験校正,拡張校正ラベル生成,変圧器スケール推論を接続する物理地上実データ校正学習アーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 6.231638318286707
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Energy systems face converging pressures for security, affordability, resilience, and sustainability, creating a need for faster discovery of deployable energy materials. Here we introduce SCALE (Simulation-Calibrated Amortized Learning for Energy Materials), a physics-grounded, real-world-data-calibrated learning architecture that connects deterministic scientific operators, experimental calibration, expanded calibrated label generation, and transformer-scale inference. SCALE converts selected high-cost mechanistic computation and measured evidence into reusable models for rapid screening, ranking, inverse design, and active learning. We formulate the framework, identify ten method-based application regimes, and demonstrate SCALE for solid-state metal-hydride hydrogen-storage capacity prediction. In this implementation, a hydride phase-equilibrium capacity operator is calibrated against 381 measured ML-HydPARK capacity anchors and used to generate 5,000 candidate-condition-prototype teacher labels. A crystallographically anchored periodic-graph representation preserves atomic sites, periodic neighbor relationships, and local metal environments absent from formula-only encodings. An edge-biased graph transformer with 2.90 million parameters reproduces calibrated teacher labels with five-fold surrogate fidelity of MAE 0.0582 wt% H2, RMSE 0.0833 wt% H2, R2 = 0.9927, and Pearson r = 0.9963. Post hoc attention analysis suggests that SCALE learns chemically organized element groupings and metal-metal relationships consistent with established hydride chemistry, without chemistry-group labels as supervision. Once trained, SCALE shifts million-candidate evaluation from repeated deterministic workflow execution to batched learned inference, reducing per-candidate screening cost by approximately 10^7-10^8 while retaining links to simulation and experimental evidence.
• Abstract（参考訳）: エネルギーシステムは、セキュリティ、手頃な価格、レジリエンス、持続可能性に対する圧力が集中し、展開可能なエネルギー材料を迅速に発見する必要性が生じる。 ここでは、決定論的科学演算子、実験校正、拡張校正ラベル生成、変圧器スケール推論を接続する物理基底の実世界データ校正学習アーキテクチャであるSCALE(Simulation-Calibtized Learning for Energy Materials)を紹介する。 SCALEは、選択した高コストメカニスティック計算と測定されたエビデンスを、迅速なスクリーニング、ランキング、逆設計、アクティブラーニングのための再利用可能なモデルに変換する。 この枠組みを定式化し,10の方法に基づく適用形態を同定し,固体金属水素化水素吸蔵容量予測のためのSCALEを実証する。 この実装では、水素化物相平衡容量演算子を、計測されたML-HydPARKキャパシタアンカー381に対して校正し、5000の候補条件-プロトタイプの教師ラベルを生成する。 結晶学的に固定された周期グラフ表現は、原子サイト、周期的な隣り合う関係、および公式のみの符号化から欠く局所的な金属環境を保存する。 2.90万のパラメータを持つエッジバイアスグラフ変換器は、MAE 0.0582 wt% H2, RMSE 0.0833 wt% H2, R2 = 0.9927, Pearson r = 0.9963の5倍のサロゲート忠実度を持つ校正された教師ラベルを再現する。 ポストホックアテンション分析により、SCALEは、化学グループラベルを監督することなく、確立された水素化物化学と整合した化学的に組織化された元素グループと金属-金属関係を学ぶことが示唆された。 訓練後、SCALEは百万件の候補評価を、繰り返し行われる決定論的ワークフローの実行からバッチ化された学習推論にシフトし、シミュレーションや実験証拠へのリンクを維持しながら、候補ごとのスクリーニングコストを約10^7-10^8削減する。

関連論文リスト

• Performance Monitoring of Proton Exchange Membrane Water Electrolyzer by Transformers-Based Machine Learning Model [6.608674167337045]
  グリーン水素は、2030年までに560GWまでスケールする能力が予想される脱炭酸に不可欠な役割を担っている。 本稿では,通常の動作中に仮想電気化学特性を解析する機械学習フレームワークを提案する。 パッチベースのシーケンストークン化にヒントを得て、入力をパッチに分割し、それらをエンコードして意味のあるトークンを形成する。
  論文  参考訳（メタデータ） (2026-05-18T20:49:56Z)
• Physics-Informed Neural Networks for Predicting Hydrogen Sorption in Geological Formations: Thermodynamically Constrained Deep Learning Integrating Classical Adsorption Theory [1.5749416770494706]
  微粒な地質材料中の水素吸着の予測は地下の水素貯蔵能力の評価、キャップロックの完全性の評価、地下エネルギーシステムの水素移動の特徴付けに不可欠である。 本稿では,古典的吸着理論と熱力学的制約を直接学習プロセスに埋め込むことにより,この制限に対処する多スケール物理情報ニューラルネットワークフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-30T11:59:36Z)
• From Static Spectra to Operando Infrared Dynamics: Physics Informed Flow Modeling and a Benchmark [67.29937933325849]
  Operando IR Predictionは、1つの静的スペクトルからスペクトル指紋の時間分解進化を予測することを目的としている。 OpIRSpec-7Kは、10の異なるバッテリーシステムにわたる7,118の高品質なサンプルで構成されている。 ABCCは最先端の静的、シーケンシャル、および生成的ベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2026-02-20T18:58:43Z)
• Surface Stability Modeling with Universal Machine Learning Interatomic Potentials: A Comprehensive Cleavage Energy Benchmarking Study [0.0]
  機械学習の原子間ポテンシャル(MLIP)は計算材料科学に革命をもたらした。 これらの普遍的なMLIPがいかにエネルギーの切断を予測できるかを体系的な評価は行われていない。 クリーンエネルギー予測のための19種類の最先端のUMLIPのベンチマークを示す。
  論文  参考訳（メタデータ） (2025-08-29T14:24:47Z)
• Interpretable Deep Learning for Polar Mechanistic Reaction Prediction [43.95903801494905]
  PMechRP(Polar Mechanistic Reaction Predictor)は,PMechDBデータセット上で機械学習モデルをトレーニングするシステムである。 私たちは、トランスフォーマーベース、グラフベース、および2段階のシアムアーキテクチャを含む、さまざまな機械学習モデルの比較をトレーニングします。 私たちの最高のパフォーマンスのアプローチはハイブリッドモデルで、5アンサンブルのChemformerモデルと2ステップのSiameseフレームワークを組み合わせたものです。
  論文  参考訳（メタデータ） (2025-04-22T02:31:23Z)
• Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
  本稿では, イオン伝導体の迅速かつ信頼性の高いスクリーニング手法として, 普遍的な原子間ポテンシャルの解析手法を提案する。 第一原理計算では,10種中8種が室温で超イオン性であることが確認された。 本手法は, 機械学習電位によって駆動される分子動力学と比較して約50倍の高速化係数を達成し, 第一原理分子動力学に比べて少なくとも3,000倍高速である。
  論文  参考訳（メタデータ） (2024-11-11T09:01:36Z)
• YZS-model: A Predictive Model for Organic Drug Solubility Based on Graph Convolutional Networks and Transformer-Attention [9.018408514318631]
  伝統的な手法は複雑な分子構造を見逃し、不正確な結果をもたらすことが多い。 本稿では,グラフ畳み込みネットワーク(GCN),トランスフォーマーアーキテクチャ,Long Short-Term Memory(LSTM)ネットワークを統合するディープラーニングフレームワークであるYZS-Modelを紹介する。 YZS-Modelは、R2$ 0.59、RMSE$ 0.57を達成し、ベンチマークモデルを上回った。
  論文  参考訳（メタデータ） (2024-06-27T12:40:29Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
  機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。 ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
  論文  参考訳（メタデータ） (2021-06-08T10:14:57Z)

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。