論文の概要: An open benchmark for machine learning-based polymer property prediction

• arxiv url: http://arxiv.org/abs/2609.27036v1
• Date: Tue, 22 Sep 2026 20:32:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.763588
• Title: An open benchmark for machine learning-based polymer property prediction
• Title（参考訳）: 機械学習による高分子物性予測のためのオープンベンチマーク
• Abstract要約: Polymer Benchmark 2026 (PolyBench26) は、8つの物理的性質にまたがる約25万のポリマー不純物データポイントからなるオープンデータセットである。 このベンチマークは、ホモポリマーと交互、ランダム、ブロックコポリマーの4つの評価タスクをサポートする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Polymer property prediction lacks open, standardized benchmarks that enable rigorous comparison of machine-learning methods, with existing resources covering only a narrow fraction of polymer architectures, such as homopolymers. We introduce Polymer Benchmark 2026 (PolyBench26), an open dataset comprising nearly 250,000 polymer-property datapoints across eight physical properties, including data from experimental measurements, density functional theory, and molecular dynamics. The benchmark supports four evaluation tasks across homopolymers and alternating, random, and block copolymers: in-distribution property prediction, dataset-size scaling, repeat-unit complexity, and transfer to held-out polymer architectures. We compare language model, graph-based, and descriptor-based approaches and find graph-based models provide the lowest errors in property prediction, retain their advantage across the evaluated training-set sizes, and remain robust to increasing repeat-unit complexity. PolyBench26 provides a reproducible foundation for developing models for the increasingly complex polymer design space. The PolyBench26 benchmark is available open-source at https://github.com/rlearsch/PolymerBenchmark2026.
• Abstract（参考訳）: ポリマー特性予測には、機械学習手法の厳密な比較を可能にする、オープンで標準化されたベンチマークが欠けている。 Polymer Benchmark 2026 (PolyBench26) は, 実験データ, 密度汎関数理論, 分子動力学データを含む8つの物理特性にまたがる, 約25万個のポリマー不純物データポイントからなるオープンデータセットである。 このベンチマークは、ホモポリマーと交互、ランダム、ブロック共重合体の4つの評価タスクをサポートする。 我々は、言語モデル、グラフベース、および記述子ベースのアプローチを比較し、プロパティ予測においてグラフベースのモデルが最も低いエラーを提供し、評価されたトレーニングセットのサイズにわたってその優位性を保ち、繰り返しユニットの複雑さを増大させるために頑健であることを示す。 PolyBench26は、ますます複雑なポリマーデザインのモデルを開発するための再現可能な基盤を提供する。 PolyBench26ベンチマークはhttps://github.com/rlearsch/PolymerBenchmark2026で公開されている。

関連論文リスト

• A Systematic Survey and Benchmark of Deep Learning for Molecular Property Prediction in the Foundation Model Era [57.5440098776759]
  分子特性予測は、量子化学、化学情報学、深層学習を統合し、分子構造と生物学的挙動を結びつける。 この調査は、Quantum、Descriptor Machine Learning、Geometric Deep Learning、Foundation Modelsの4つの補完パラダイムをトレースする。 ベンチマーク分析は、広く使われているデータセットと業界的な視点を反映したデータセットの両方からエビデンスを統合する。
  論文  参考訳（メタデータ） (2026-04-17T15:16:33Z)
• PolyJarvis: LLM Agent for Autonomous Polymer MD Simulations [49.024137619510526]
  我々は,大規模な言語モデル(LLM)とRadonPyシミュレーションプラットフォームを結合するエージェントであるPolyJarvisを紹介する。 ポリマー名またはSMILES文字列が与えられた後、PolyJarvisはモノマーの構築、電荷割り当て、重合、力場パラメータ化、特性計算を自律的に実行する。 その結果, APS, PMMAの基準値の17～24%は0.1～4.8%, バルク変調率で, 密度予測は17～24%であった。
  論文  参考訳（メタデータ） (2026-04-02T21:43:35Z)
• PolyMon: A Unified Framework for Polymer Property Prediction [5.92744716253349]
  PolyMonは、複数のポリマー表現、機械学習メソッド、トレーニング戦略を統合する、統一的でアクセス可能なフレームワークである。 我々は5つの重要なポリマー特性をベンチマークとして、表現とモデルが予測性能にどのように影響するかを評価する。 全体としてPolyMonは、機械学習ベースのポリマー特性予測のベンチマークと前進のための総合的で基盤を提供する。
  論文  参考訳（メタデータ） (2026-03-02T14:21:31Z)
• Open Polymer Challenge: Post-Competition Report [34.36687017237976]
  Open Polymer Challenge (OPC)は、コミュニティが開発した最初のポリマー情報学ベンチマークである。 この課題は、材料発見のための仮想スクリーニングパイプラインのコアステップであるマルチタスクのポリマー特性予測に焦点を当てている。 テストデータセットはhttps://www.kaggle.com/datasets/alexliu99/neurips-open- Polymer-prediction-2025-test-dataでリリースします。
  論文  参考訳（メタデータ） (2025-12-09T18:38:15Z)
• POINT$^{2}$: A Polymer Informatics Training and Testing Database [15.45788515943579]
  POINT$2$ (Polymer Informatics Training and Testing) は、高分子情報学における重要な課題に対処するために設計されたベンチマークデータベースとプロトコルである。 我々は、量子ランダムフォレスト、ドロップアウト付き多層パーセプトロン、グラフニューラルネットワーク、事前訓練された大規模言語モデルを含むMLモデルのアンサンブルを開発する。 これらのモデルは、Morgan、MACCS、RDKit、Topological、Atom Pairの指紋、グラフベースの記述子といった多様なポリマー表現と結合している。
  論文  参考訳（メタデータ） (2025-03-30T15:46:01Z)
• Defining Neural Network Architecture through Polytope Structures of Dataset [53.512432492636236]
  本稿では, ニューラルネットワーク幅の上下境界を定義し, 問題となるデータセットのポリトープ構造から情報を得る。 本研究では,データセットのポリトープ構造を学習したニューラルネットワークから推定できる逆条件を探索するアルゴリズムを開発した。 MNIST、Fashion-MNIST、CIFAR10といった一般的なデータセットは、顔の少ない2つ以上のポリトップを用いて効率的にカプセル化できることが確立されている。
  論文  参考訳（メタデータ） (2024-02-04T08:57:42Z)
• Heterogenous Ensemble of Models for Molecular Property Prediction [55.91865861896012]
  分子の異なるモーダル性を考える手法を提案する。 これらのモデルをHuberRegressorでアンサンブルします。 これにより、OGB Large-Scale Challenge (2022)の2textsuperscriptndエディションの勝利のソリューションが得られる。
  論文  参考訳（メタデータ） (2022-11-20T17:25:26Z)
• TransPolymer: a Transformer-based language model for polymer property predictions [9.04563945965023]
  TransPolymerは、トランスフォーマーをベースとした、高分子特性予測のための言語モデルである。 ケミカル・アウェアネスを用いたポリマー・トークンーザは, ポリマー配列からの学習表現を可能にする。
  論文  参考訳（メタデータ） (2022-09-03T01:29:59Z)
• Generalized Matrix Factorization: efficient algorithms for fitting generalized linear latent variable models to large data arrays [62.997667081978825]
  一般化線形潜在変数モデル(GLLVM)は、そのような因子モデルを非ガウス応答に一般化する。 GLLVMのモデルパラメータを推定する現在のアルゴリズムは、集約的な計算を必要とし、大規模なデータセットにスケールしない。 本稿では,GLLVMを高次元データセットに適用するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-10-06T04:28:19Z)

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。