論文の概要: Physics-residual machine learning predicts oxygen-evolution catalyst activity beyond the training range from sparse polarization measurements

• arxiv url: http://arxiv.org/abs/2609.23549v1
• Date: Sun, 20 Sep 2026 11:03:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.848723
• Title: Physics-residual machine learning predicts oxygen-evolution catalyst activity beyond the training range from sparse polarization measurements
• Title（参考訳）: 物理残留機械学習はスパース偏光測定からトレーニング範囲を超えた酸素進化触媒活性を予測する
• Abstract要約: 物理残留機械学習による酸素進化触媒の予測を行う。 キャンペーンはそれぞれの測定を短くし、依然として最も活発な構成をランク付けすることができる。
• 参考スコア（独自算出の注目度）: 2.0225826789157404
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Screening oxygen-evolution catalysts on combinatorial libraries requires deciding which candidates receive the remaining measurements. The deciding activity lies beyond each candidate's measured potential window and often above every activity recorded during fitting. We predict it by physics-residual machine learning: the Tafel equation extrapolates the candidate's own measured current and slope, a learned residual attenuated with feature-space distance corrects the magnitude, and an applicability-domain score identifies predictions above the training range before measurement. In a separately fabricated 322-candidate library, 282 above the training maximum, two measurements per candidate gave a mean absolute error of 0.203 mA cm$^{-2}$ against 1.330 for the selected data-driven machine-learning model. Errors inside the training range remained comparable, and 35 labelled catalysts were enough to fit it. In two independent datasets the same construction lowered the overpotential error by 29 to 52%. Campaigns can therefore shorten each measurement and still rank the most active compositions.
• Abstract（参考訳）: 組み合わせライブラリー上で酸素進化触媒をスクリーニングするには、どの候補が残りの測定値を受け取るかを決定する必要がある。 決定アクティビティは、各候補の計測可能なウィンドウの外側にあり、フィッティング中に記録されたすべてのアクティビティの上に置かれる。 タフェル方程式は、候補者自身の測定電流と傾斜を外挿し、特徴空間距離で減衰した学習残差は大きさを補正し、適用可能性領域スコアは、測定前のトレーニング範囲以上の予測を識別する。 トレーニング最大値より282上の322候補ライブラリでは、選択したデータ駆動機械学習モデルに対して、平均絶対誤差が0.203 mA cm$^{-2}$対1.330となった。 訓練範囲内の誤差は同等であり、35個のラベル付き触媒が適合するのに十分であった。 2つの独立したデータセットでは、同じ構造により、過大なエラーが29から52%減少した。 したがって、キャンペーンはそれぞれの測定を短くすることができ、依然として最も活発な構成をランク付けすることができる。

関連論文リスト

• From Prediction to Decision: World-Model-Guided Action Selection for Continuous Pile Excavation [24.011426658861854]
  ホイールローダーの掘削は、全てのスクープがその後の行動で利用可能な地形を変更するという逐次的な決定問題である。 本稿では、複数のスクープを提案し、幾何学的に許容できない候補を拒絶し、署名された地形変化とロードボリュームを共同で予測し、予測された最大負荷で候補を実行し、新たに観測された地形から再設計するWorld-Action Model(WAM)を提案する。
  論文  参考訳（メタデータ） (2026-09-14T11:09:21Z)
• Accountable and uncertainty-aware evaluation of sensor-based AI under distribution shift: devices, subjects, and nearly three years underground [0.0]
  センサーベースのAIシステムは、訓練された条件下ではめったに運用されない。 本稿では,デプロイされたモデルの評価を計測として扱う段階的,説明可能な評価プロトコルを提案する。
  論文  参考訳（メタデータ） (2026-09-08T15:49:33Z)
• Prediction-Only Distillation in Linear and Logistic Regression [61.07540493350384]
  自己蒸留は典型的には、学生が教師の元々のトレーニングインプットで再訓練されるときに研究される。 我々は、新しいX予測混合方式により、この予測のみの方式でSDを研究する。 二項ロジスティック回帰では、予測混合は教師と純蒸留の両方より優れていることを示す。
  論文  参考訳（メタデータ） (2026-07-16T20:45:56Z)
• A Quantitative Experimental Repeated Measures Study of Training Dynamics in a Small Llama Style Language Model Under a Compute-Aware Token Budget [0.0]
  本研究では,計算制約付きトークン予算の下で学習したLlama型小言語モデルの学習力学について検討した。 TinyStories corpus、CPUベースのフル精度トレーニング、目標予算約2000万の累積トレーニングトークンを使用して、6つの独立したトレーニング実行が実施された。 ANOVAは, 検証損失, 検証難易度, 転がりボラティリティに対して, 統計的に有意な間隔効果を示した。
  論文  参考訳（メタデータ） (2026-06-11T13:55:26Z)
• Pretrained Model Representations as Acquisition Signals for Active Learning of MLIPs [4.4406458484306555]
  本稿では,事前学習したMLIPの潜伏空間に,効果的な取得に必要な情報が含まれているかを検討する。 我々は、事前訓練されたMACE電位から直接引き起こされる2つの取得信号を紹介する。 この結果から,事前学習は遅延空間形状とモデル誤差とを一致させ,反応MLIP微調整のための実用的かつ十分な取得信号が得られることが示唆された。
  論文  参考訳（メタデータ） (2026-05-05T16:48:23Z)
• Cost-Sensitive Conformal Training with Provably Controllable Learning Bounds [21.86960662161151]
  コンフォーマル予測は、機械学習モデルの予測の不確実性を定量化するフレームワークである。 CPが測定した不確実性を調整するため、共形学習法は予測セットのサイズを最小化する。 本稿では,インジケータ近似機構に依存しない簡易なコスト依存型コンフォメーショントレーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-11-22T01:11:44Z)
• Beyond Scaling: Measuring and Predicting the Upper Bound of Knowledge Retention in Language Model Pre-Training [68.94373533768501]
  我々は、知識保持をモデル化し、そのコーパスから事実情報を記憶するための事前学習言語モデルの能力を示し、学習前にそれを推定する原則的手法を導入する。 本稿では,知識周波数,知識特異度,モデルサイズを統合し,クローズドブック質問応答(QA)の精度を予測する情報理論予測器である,サイズ依存型相互情報(SMI)を提案する。
  論文  参考訳（メタデータ） (2025-02-06T13:23:53Z)
• Rethinking Early Stopping: Refine, Then Calibrate [49.966899634962374]
  キャリブレーション・リファインメント分解の新規な変分定式化について述べる。 我々は,校正誤差と精錬誤差が訓練中に同時に最小化されないという理論的,実証的な証拠を提供する。
  論文  参考訳（メタデータ） (2025-01-31T15:03:54Z)
• Evaluating Perceptual Distance Models by Fitting Binomial Distributions to Two-Alternative Forced Choice Data [43.714290271351466]
  本稿では,二項決定モデルに最大推定値を適用し,より頑健な距離モデル評価手法を提案する。 提案手法は2つの2AFC PFデータセット上での様々な視覚距離モデルの評価から, 簡便さ, 可視性, 柔軟性, 計算効率が優れていることを示す。
  論文  参考訳（メタデータ） (2024-03-15T15:21:04Z)
• Detecting Errors and Estimating Accuracy on Unlabeled Data with Self-training Ensembles [38.23896575179384]
  本稿では,この2つの課題に同時に対処する,原則的かつ実用的な枠組みを提案する。 1つのインスタンス化は、教師なし精度推定における推定誤差を少なくとも70%削減し、エラー検出のためのF1スコアを少なくとも4.7%改善する。 iWildCamでは、教師なし精度推定における推定誤差を少なくとも70%削減し、エラー検出のためのF1スコアを少なくとも4.7%改善する。
  論文  参考訳（メタデータ） (2021-06-29T21:32:51Z)
• Machine learning for causal inference: on the use of cross-fit estimators [77.34726150561087]
  より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。 平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。 機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2020-04-21T23:09:55Z)

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。