論文の概要: CrystalJev: thinking fast and slow with atomistic foundation models for materials discovery
- arxiv url: http://arxiv.org/abs/2610.06985v1
- Date: Sun, 04 Oct 2026 06:20:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.488013
- Title: CrystalJev: thinking fast and slow with atomistic foundation models for materials discovery
- Title（参考訳）: CrystalJev: 物質発見のための原子論の基礎モデルで考える
- Abstract要約: CrystalJevは、非緩和構造ごとに凍結された原子間ポテンシャルをクエリする。
入力された質問には、キャリブレーションされた確率、有限サンプル保証、ゆっくりと考えるためのルールが答えられる。
- 参考スコア（独自算出の注目度）: 8.015181859848129
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Atomistic foundation models triage millions of hypothetical materials but are used as slow simulators, their thresholded energies taken at face value. They are better read as fast decision-makers. CrystalJev queries a frozen interatomic potential once per unrelaxed structure and answers typed questions with calibrated probabilities, finite-sample guarantees and a rule for when to think slowly. Across 65 Matbench Discovery models, a 'stable' call is a probability in disguise, explained by a model's errors and the candidate population. Once trained, one forward pass decides nearly as well as a relaxation at a thirtieth of its cost, and a value-of-information theory sends slower computation only where decisions can change. The same layer answers electronic, mechanical and molecular questions. In a registered prospective test with 700 new density-functional calculations, single-pass forecasts calibrated only on existing data over-stated the stable fraction of unseen candidates (5.8%) by at most 2.1 percentage points.
- Abstract（参考訳）: 原子論的基礎モデルは、数百万の仮説的な物質をトリアージするが、そのしきい値で取られたしきい値のエネルギーである遅いシミュレーターとして使用される。
彼らは素早い意思決定者として読むのがよい。
CrystalJevは、非緩和構造ごとに凍結された原子間ポテンシャルを問合せし、型付き質問に、キャリブレーションされた確率、有限サンプル保証、ゆっくり考えるためのルールを答える。
65以上のマトベンチ発見モデルでは、「安定な」呼び出しは、モデルの誤りと候補者の人口によって説明される偽りの確率である。
一度訓練されると、1つのフォワードパスはそのコストの30分の1の緩和と同様に決定し、情報の価値理論は決定が変更可能な場所のみに遅い計算を送信する。
同じ層が電子的、機械的、分子的な疑問に答える。
700の新しい密度汎関数計算による登録試験では、既存のデータのみを校正したシングルパス予測が、未確認候補の安定な割合(5.8%)を少なくとも2.1ポイント上回った。
関連論文リスト
- A single design choice determines whether machine learning models of materials make physically impossible predictions [2.3982445219832678]
機械学習モデルは、材料発見における第一原理計算を置き換える。
対称性は特定の性質テンソルを正確に0に強制するので、非ゼロ予想は不正確ではなく物理的に不可能である。
モデルがそのような予測を下すことができるかどうかを、稀に報告される設計ビットによるトレーニング前に決定する。
論文 参考訳（メタデータ） (2026-08-19T09:14:55Z) - A Physics-Chemistry-Informed Neural Network (PCINN) for Real-Time Spatial-ALD Coverage Prediction and Reliable Kinetics Inversion [12.347745432601306]
CFDレベルの精度をリアルタイムに実現した物理インフォームド化学化学ニューラルネットワークを提案する。
クエリは、CFD解決の約5×104倍の約7ミリ秒でカバレッジを返す。
アーキテクチャはブラックボックスではなく、小さなネットワークは、動作条件からニアウォール濃度の閉鎖のみを学習する。
論文 参考訳（メタデータ） (2026-07-31T18:52:27Z) - Cycle-Consistent and Uncertainty-Aware Neural Surrogates for Tokamak Edge Plasmas [0.040071856451118486]
境界プラズマと変圧器プラズマはトカマクが動力と粒子を排出する方法を支配している。
機械学習のサロゲートは高速な代替手段を提供するが、多くは前方のみである。
本稿では,エッジプラズマに対するサイクル一貫性ニューラルサロゲートを提案する。
論文 参考訳（メタデータ） (2026-07-23T15:06:57Z) - Coarse Graining with Neural Operators for Simulating Chaotic Systems [78.64101336150419]
カオスシステムの長期的挙動を予測することは、気候モデリングなどの様々な応用に不可欠である。
このような完全解法シミュレーションに対する別のアプローチは、粗いグリッドを使用して、時間テキストモデルによってエラーを修正することである。
この制限を克服する物理インフォームド・ニューラル演算子(PINO)を用いたエンド・ツー・エンドの学習手法を提案する。
論文 参考訳（メタデータ） (2024-08-09T17:05:45Z) - Confidence-Based Model Selection: When to Take Shortcuts for
Subpopulation Shifts [119.22672589020394]
モデル信頼度がモデル選択を効果的に導くことができるConfidence-based Model Selection (CosMoS)を提案する。
我々はCosMoSを,データ分散シフトのレベルが異なる複数のテストセットを持つ4つのデータセットで評価した。
論文 参考訳（メタデータ） (2023-06-19T18:48:15Z) - Efficient Approximations of Complete Interatomic Potentials for Crystal
Property Prediction [63.4049850776926]
結晶構造は、3次元空間で無限に繰り返される最小単位セルからなる。
現在の手法は、近くのノード間だけにエッジを確立することによってグラフを構築する。
距離のみを用いるのではなく,物理を前提とした原子間ポテンシャルを直接モデル化することを提案する。
論文 参考訳（メタデータ） (2023-06-12T07:19:01Z) - Composite Goodness-of-fit Tests with Kernels [21.31083353434396]
本稿では,難解な複合テスト問題に対するカーネルベースの仮説テストを提案する。
実験では,最小距離推定器を用いて,最大平均誤差とカーネルのStein誤差を推定した。
主な結果として、パラメータを推定し、正しいテストレベルを維持しながら、同じデータ上でテストを実行することができることを示す。
論文 参考訳（メタデータ） (2021-11-19T15:25:06Z) - Contextual Dropout: An Efficient Sample-Dependent Dropout Module [60.63525456640462]
ドロップアウトは、ディープニューラルネットワークのトレーニングプロセスを正規化するシンプルで効果的なモジュールとして実証されています。
単純でスケーラブルなサンプル依存型ドロップアウトモジュールとして,効率的な構造設計によるコンテキスト型ドロップアウトを提案する。
提案手法は,不確実性推定の精度と品質の両面において,ベースライン法よりも優れていた。
論文 参考訳（メタデータ） (2021-03-06T19:30:32Z) - How Can We Know When Language Models Know? On the Calibration of
Language Models for Question Answering [80.82194311274694]
言語モデルがいつ、自信を持って、特定のクエリに対する答えを知っているか、どのように知ることができるか?
我々は,T5,BART,GPT-2の3つの強力な生成モデルを検討した。
次に、そのようなモデルの校正方法を検討し、その信頼性スコアを正しさの確率と相関させる。
論文 参考訳（メタデータ） (2020-12-02T03:53:13Z) - Selective Question Answering under Domain Shift [90.021577320085]
モデルがドメイン外の入力に対して過度に信頼されているため、モデルのソフトマックス確率のみに基づくアテンションポリシーは不適切である。
キャリブレータをトレーニングして、QAモデルがアースする入力を識別し、エラーを予測した場合に停止する。
提案手法は,80%の精度を維持しながら56%の質問に回答するが,それに対してモデルの確率を直接使用する場合,80%の精度で48%しか回答しない。
論文 参考訳（メタデータ） (2020-06-16T19:13:21Z)
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。