論文の概要: ElectrolyteFM: Unifying Electrolyte Property Prediction through Cross-Property Knowledge Learning
- arxiv url: http://arxiv.org/abs/2609.39340v1
- Date: Wed, 30 Sep 2026 09:07:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:27.483844
- Title: ElectrolyteFM: Unifying Electrolyte Property Prediction through Cross-Property Knowledge Learning
- Title（参考訳）: 電解質FM:クロスパフォーマンス知識学習による電解質特性予測の統合
- Abstract要約: 本稿では,各電解質の多重特性をより正確に予測できる統一多目的予測モデルを提案する。
電解質FMは、プロパティ固有の表現を独立に学習し、個別に訓練されたエキスパートプールを通して、クロスプロパティの知識をキャプチャする。
電解質12の実験では、電解質FMは12の電解質特性の平均平均絶対誤差を、最強の電解質特異基線と比較して14.8%削減することを示した。
- 参考スコア（独自算出の注目度）: 19.11383114322782
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electrolyte formulation design requires balancing multiple physicochemical properties, yet existing models often focus on a limited subset. Learning each property in isolation can overlook transferable chemical information, whereas indiscriminate sharing can introduce cross-property interference. Our directed transfer analysis shows that jointly learning two property prediction tasks can improve or degrade prediction relative to separate training, with asymmetric transfer effects between the tasks. We propose ElectrolyteFM, a unified multi-property prediction model which can more accurately predict multiple properties of each electrolyte by effectively identifying and utilizing property-specific features and knowledge shared across properties. More specifically, ElectrolyteFM learns property-specific representations independently and captures cross-property knowledge through a separately trained expert pool. A router selects relevant shared information for each formulation and target property, and property-specific residual adapters convert this information into corrections to the corresponding representation for prediction. Experiments on Electrolyte12 show that ElectrolyteFM reduces normalized mean absolute error averaged across 12 electrolyte properties by 14.8% relative to the strongest electrolyte-specific baseline. On an independent sodium-electrolyte dataset unseen during training, it reduces conductivity mean absolute error by 6.7% relative to the best-performing baseline.
- Abstract（参考訳）: 電解質の定式化設計は、複数の物理化学的性質のバランスを必要とするが、既存のモデルは、しばしば限られた部分集合にフォーカスする。
それぞれの特性を独立に学習することは、伝達可能な化学情報を見落とせるが、識別不能な共有は、クロスプロパティ干渉をもたらすことがある。
我々は,2つの特性予測タスクを共同で学習することで,タスク間の非対称的な伝達効果により,個別のトレーニングに対する予測を改善あるいは低下させることができることを示した。
本研究では,各電解質の特性をより正確に予測し,その特性に共通する特性や知識を効果的に同定し,活用できる統合多目的予測モデルであるElectrolyteFMを提案する。
より具体的には、ElectrolyteFMはプロパティ固有の表現を独立に学習し、個別に訓練されたエキスパートプールを通して、クロスプロパティな知識をキャプチャする。
ルータは、各定式化及びターゲットプロパティに関する関連共有情報を選択し、プロパティ固有の残留アダプタは、この情報を予測用の対応する表現に補正する。
電解質12の実験では、電解質FMは12の電解質特性の平均平均絶対誤差を、最強の電解質特異基線と比較して14.8%削減することを示した。
トレーニング中に見つからない独立したナトリウム-電解質データセットでは、導電率の平均絶対誤差は、最高の性能のベースラインと比較して6.7%減少する。
関連論文リスト
- Coupled-cluster molecular properties across the main group that extrapolate beyond training size [23.611033259416402]
我々は、単一の同変ネットワークMEHnet-MGを用いて、1つの安価なB3LYP/def2-SVP計算から有効な1電子ハミルトニアンを予測する。
このモデルは、CCSD(T)レベルで計算された9つの要素すべてに対して、新しい社内のマルチプロパティラベルデータセットに基づいてトレーニングされる。
論文 参考訳（メタデータ） (2026-08-18T21:57:02Z) - MACE-POLAR-1: A Polarisable Electrostatic Foundation Model for Molecular Chemistry [2.920129574607374]
分子化学のための新しい静電気基礎モデルを提案し, 長距離相互作用と静電気誘導の明示的な処理により, MACEアーキテクチャを拡張した。
本手法は局所的な多体幾何学的特徴と、学習可能な電荷とスピン密度を更新する非自己整合場形式とを組み合わせる。
モデルが可変電荷とスピン状態を扱う能力、外部磁場に反応し、解釈可能なスピン分解電荷密度を提供し、小さな分子からタンパク質-リガンド錯体への精度を維持し、それを計算分子化学と薬物発見のための汎用的なツールとして位置づける。
論文 参考訳（メタデータ） (2026-02-23T01:09:54Z) - Performance of universal machine-learned potentials with explicit long-range interactions in biomolecular simulations [21.340102594388348]
普遍的な機械学習ポテンシャルは、構成的および振動的自由度間で伝達可能な精度を約束する。
この研究は、SPICE-v2データセットで訓練された均質なメッセージパッシングアーキテクチャを、明示的な長距離分散と静電効果なしで体系的に評価する。
論文 参考訳（メタデータ） (2025-08-14T17:08:34Z) - A universal augmentation framework for long-range electrostatics in machine learning interatomic potentials [8.414405667524889]
静電相互作用, 分極, ボルン有効電荷(BECs)を推定する潜在エワルド置換法(LES)
短距離MLIPと互換性のあるスタンドアロンライブラリとしてLESを提示し、MACE、NequIP、CACE、CHGNetといったメソッドとの統合を実証する。
分子やクラスターを含むSPICEセット上でMACELES-OFFをトレーニングすることにより, LESを大規模かつ化学的に多様なデータに拡張する。
論文 参考訳（メタデータ） (2025-07-18T18:21:45Z) - 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) - Dielectric Tensor Prediction for Inorganic Materials Using Latent Information from Preferred Potential [2.6531366443213846]
誘電体はフラッシュメモリ、CPU、太陽光発電、コンデンサといった技術にとって不可欠である。
既存の機械学習モデルはスカラー多結晶誘電率の予測に重点を置いている。
我々は,全,電子,イオン誘電体テンソルを予測する同変読み出しデコーダを開発した。
論文 参考訳（メタデータ） (2024-05-15T02:58:19Z) - On the Properties and Estimation of Pointwise Mutual Information Profiles [49.877314063833296]
ポイントワイド相互情報プロファイル(ポイントワイド相互情報プロファイル、英: pointwise mutual information profile)は、与えられた確率変数のペアに対するポイントワイド相互情報の分布である。
そこで我々は,モンテカルロ法を用いて分布を正確に推定できる新しい分布系 Bend と Mix Models を導入する。
論文 参考訳（メタデータ） (2023-10-16T10:02:24Z) - On the importance of catalyst-adsorbate 3D interactions for relaxed
energy predictions [98.70797778496366]
吸着剤の相対的な位置を無視しながら,OC20データセットの緩和エネルギーを予測できるかどうかを検討する。
結合サイト情報の削除は,期待通りに精度を低下させるが,修正モデルは極めて良好なMAEで緩和エネルギーを予測することができる。
論文 参考訳（メタデータ） (2023-10-10T14:57:04Z) - Curvature-informed multi-task learning for graph networks [56.155331323304]
最先端のグラフニューラルネットワークは、複数の特性を同時に予測しようとする。
この現象の潜在的な説明として、各特性の損失面の曲率が大きく異なり、非効率な学習につながる可能性がある。
論文 参考訳（メタデータ） (2022-08-02T18:18:41Z) - Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。
モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。
その結果,クロスバリデーションにより予測精度が期待できることがわかった。
論文 参考訳（メタデータ） (2020-05-27T13:32:10Z)
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。