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/2609.23549v2
- Date: Sun, 27 Sep 2026 11:08:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-29 21:31:51.572765
- 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: 酸素進化反応触媒の発見キャンペーンは繰り返し触媒を選択し、製造し、測定する。
既存のメソッドは、新しいライブラリのエンドポイントがほとんど、あるいは全く測定されていない場合に、エンドポイントを正確に予測しない。
本稿では,各エンドポイントをTafel項の和として予測する物理残留機械学習(PR-ML)を提案する。
- 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: Discovery campaigns for oxygen evolution reaction catalysts repeatedly choose, make and measure catalysts. High-throughput platforms stop polarization curves below potentials that damage the catalyst, so the endpoint, the activity at a target potential or current density, often lies beyond the measured window, and the catalysts of most interest are more active than any measured before. Existing methods do not predict these endpoints accurately when few or no endpoints of a new library have been measured. Here we present physics-residual machine learning (PR-ML), which predicts each endpoint as the sum of a Tafel term, computed from the catalyst's own measured curve with an estimated slope, and a residual term learned from labelled catalysts. In twelve Ni-Pd-Pt-Ru thin-film libraries, the current density at 1.70 V$_{RHE}$ was predicted from the currents at 1.40 and 1.55 V$_{RHE}$. Fitted only on earlier libraries, with ridge regression as the residual learner, PR-ML predicted the Ni--Ru library, whose currents mostly exceed theirs, with a mean absolute error of 0.194 mA cm$^{-2}$, against 1.330-1.882 for data-driven models. With five endpoints from the new library and extremely randomized trees as the residual learner, PR-ML gave a similar error, which the same learner used alone reached only with 20, and identified 63-83% of the catalysts more active than the best labelled catalyst, against 2%. In two independent datasets, this fraction rose from at most 1% to 33-95%. Our approach supplies catalyst selection with accurate endpoints beyond the measured part of each curve and above all earlier measurements.
- Abstract（参考訳）: 酸素進化反応触媒の発見キャンペーンは繰り返し触媒を選択し、製造し、測定する。
高出力のプラットフォームは触媒に損傷を与える電位以下の偏極曲線を停止するので、終端、標的電位または電流密度の活性は測定窓の外にあることが多く、ほとんどの関心を持つ触媒は以前測定されたどのものよりも活発である。
既存の方法は、新しいライブラリのエンドポイントがほとんど、あるいは全く測定されていない場合に、これらのエンドポイントを正確に予測しない。
ここでは, 各端点をタフェル項の和として予測する物理残留機械学習 (PR-ML) について, 触媒自身の測定曲線から計算し, ラベル付き触媒から学習した残項について述べる。
12のNi-Pd-Pt-Ru薄膜ライブラリでは、1.70V$_{RHE}$の電流密度が1.40および1.55V$_{RHE}$の電流から予測された。
PR-MLは従来のライブラリのみに設定され、リッジレグレッションが残っていたため、データ駆動モデルでは1.330-1.882に対して平均0.194 mA cm$^{-2}$の絶対誤差を持つNi-Ruライブラリを予測した。
PR-MLは,新ライブラリの5つの終点と,残留学習者としての極めてランダムな木を用いて,同一学習者が単独で使用する触媒の63～83%を2%と評価した。
2つの独立したデータセットでは、この割合は1%以上から33-95%まで上昇した。
提案手法は, 各曲線の計測値を超える正確な終点と, 先行測定値のすべてに触媒の選択を与える。
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。