論文の概要: A strategic roadmap for an atomistic machine-learning ecosystem

• arxiv url: http://arxiv.org/abs/2609.39090v1
• Date: Wed, 30 Sep 2026 06:27:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.286769
• Title: A strategic roadmap for an atomistic machine-learning ecosystem
• Title（参考訳）: 原子論的機械学習エコシステムのための戦略的ロードマップ
• Abstract要約: データ駆動機械学習(ML)技術は多くの分野において重要なツールとなっている。 物質の原子論的なシミュレーションへの応用は、特に広く、衝撃的である。 コミュニティは2026年1月にローザンヌで会合を開き、アルゴリズム、モデル、ソフトウェア、ハードウェアインフラストラクチャについて議論した。
• 参考スコア（独自算出の注目度）: 78.5239580299636
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data-driven machine learning (ML) techniques have become an essential tool in many domains of science. Their application to atomistic simulations of matter is particularly widespread and impactful. This success is due largely to the existence of a well-developed and established physics-based modeling framework, ranging from first-principles electronic-structure calculations to molecular dynamics and statistical sampling, into which ML was integrated naturally to reshape long-standing trade-offs between accuracy, efficiency, and scale. Nevertheless, this integration raises both conceptual and practical challenges, from choosing between data-centric and physics-based modeling approaches to adapting established software stacks to modern hardware accelerators and ML libraries. As the field evolves rapidly, fueled in part by widespread enthusiasm but also by tangible impact, it seems appropriate to take a moment to consider the current state of the art and open challenges, and reflect on what can be done to better coordinate efforts across the community. With this goal in mind, several members of this community met in Lausanne in January 2026 at CECAM to discuss algorithms, models, software and hardware infrastructure, and the most promising scientific applications that have become possible thanks to the use of artificial intelligence in atomic-scale simulations. This strategic roadmap paper summarizes the outcomes of these discussions, suggesting some long-term goals, and some concrete actions, to establish a healthy, sustainable and impactful atomistic ML ecosystem.
• Abstract（参考訳）: データ駆動機械学習(ML)技術は多くの分野において重要なツールとなっている。 物質の原子論的なシミュレーションへの応用は、特に広く、衝撃的である。 この成功は、第一原理の電子構造計算から分子動力学、統計サンプリングまで、よく開発され確立された物理に基づくモデリングフレームワークの存在に起因する。 それでもこの統合は、データ中心と物理ベースのモデリングアプローチの選択から、確立したソフトウェアスタックを現代的なハードウェアアクセラレータやMLライブラリに適応させるまでの、概念的および実践的な課題を提起する。 この分野は急速に発展し、一部は広範な熱意によってもたらされるが、具体的な影響によってもたらされるので、現在の最先端でオープンな課題を考え、コミュニティ全体の努力をより良く調整するために何ができるかを振り返ってみるのが適当である。 この目標を念頭に置いて、2026年1月にCECAMでこのコミュニティのメンバー数人がローザンヌで会合し、アルゴリズム、モデル、ソフトウェア、ハードウェアインフラストラクチャ、そして原子スケールのシミュレーションに人工知能を用いることによって可能になった最も有望な科学的応用について議論した。 この戦略的ロードマップは、これらの議論の結果を要約し、健全で持続可能で影響のある原子性MLエコシステムを確立するための長期的な目標と具体的な行動を提案する。

関連論文リスト

• Perspective: Towards sustainable exploration of chemical spaces with machine learning [49.29528647472741]
  持続可能な進歩は、オープンデータとモデル、再利用可能なデータセット、ドメイン固有のAIシステムに依存します。 我々は、汎用機械学習(ML)モデル、多要素アプローチ、モデルの蒸留、アクティブラーニングなど、効率を高めるための新たな戦略を強調した。
  論文  参考訳（メタデータ） (2026-03-31T13:29:20Z)
• Grounding LLMs in Scientific Discovery via Embodied Actions [84.11877211907647]
  大規模言語モデル (LLMs) は科学的発見に大きな可能性を示しているが、理論的推論と物理シミュレーションのギャップを埋めるのに苦労している。 EmbodiedActは、確立された科学ソフトウェアを、密着した知覚・実行ループによる実施行動の基盤化により、アクティブな実施エージェントに変換するフレームワークである。
  論文  参考訳（メタデータ） (2026-02-24T07:37:18Z)
• Opportunities in AI/ML for the Rubin LSST Dark Energy Science Collaboration [63.61423859450929]
  この白書は、DESCの主要な宇宙探査と横断的分析を通して、AI/MLの現在の状況を調査している。 本研究では,大規模ベイズ推定,物理インフォームド手法,検証フレームワーク,発見のための能動的学習など,主要な方法論研究の優先事項を明らかにする。
  論文  参考訳（メタデータ） (2026-01-20T18:46:42Z)
• Accelerating scientific discovery with the common task framework [48.92654976046941]
  機械学習(ML)と人工知能(AI)アルゴリズムは、工学、物理、生物学における動的システムの特性と制御を変換している。 これらの新しいモデリングパラダイムは、様々な科学的目的を評価するために比較指標を必要とする。 科学と工学のための共通タスクフレームワーク(CTF)を導入する。
  論文  参考訳（メタデータ） (2025-11-06T02:53:07Z)
• Efficient Exploration of Chemical Kinetics [0.0]
  反応速度と化学的安定性を推定することは基本的な方法であるが、大規模シミュレーションの効率的な方法は到達できないままである。 この論文は Optimal Transport Gaussian Process framework において、物理表現、統計モデル、システムアーキテクチャを共設計する全体解を提示する。
  論文  参考訳（メタデータ） (2025-10-24T11:52:08Z)
• Physics-Constrained Machine Learning for Chemical Engineering [0.0]
  物理制約付き機械学習(PCML)は、物理モデルとデータ駆動のアプローチを組み合わせて、信頼性、一般化可能性、解釈可能性を改善する。 この視点は最近の発展を要約し、化学工学にPCMLを適用する際の課題/機会を強調している。
  論文  参考訳（メタデータ） (2025-08-28T10:52:01Z)
• Machine Learned Force Fields: Fundamentals, its reach, and challenges [0.0]
  機械学習力場(MLFF)は、計算化学と材料科学における革命的なアプローチとして登場した。 この章では、学習の基本と、それがMLFFの構築に適用される方法を紹介します。 もっとも要素的なニューラルネットワークに基づく力場のひとつとして、SchNetモデルの構築に重点を置いている。
  論文  参考訳（メタデータ） (2025-03-07T05:26:14Z)
• Advances in machine-learning-based sampling motivated by lattice quantum chromodynamics [4.539861642583362]
  この視点は、格子量子場理論によって動機付けられたMLベースのサンプリングの進歩を概説する。 このアプリケーションのためのMLアルゴリズムの設計は、最大規模のスーパーコンピュータにカスタムMLアーキテクチャをスケールする必要があるなど、重大な課題に直面している。 このアプローチが早期の約束を達成できれば、粒子、核、凝縮物質物理学における第一原理物理学計算への転換ステップとなる。
  論文  参考訳（メタデータ） (2023-09-03T12:25:59Z)
• An Extensible Benchmark Suite for Learning to Simulate Physical Systems [60.249111272844374]
  我々は、統一されたベンチマークと評価プロトコルへの一歩を踏み出すために、一連のベンチマーク問題を導入する。 本稿では,4つの物理系と,広く使用されている古典的時間ベースおよび代表的なデータ駆動手法のコレクションを提案する。
  論文  参考訳（メタデータ） (2021-08-09T17:39:09Z)

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。