論文の概要: CrystalJev: calibrated foundation-model probabilities decide what to compute next in materials discovery
- arxiv url: http://arxiv.org/abs/2610.06985v2
- Date: Mon, 12 Oct 2026 06:00:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-14 23:39:49.267752
- Title: CrystalJev: calibrated foundation-model probabilities decide what to compute next in materials discovery
- Title（参考訳）: CrystalJev: 材料発見で次に何を計算すべきかを決める基礎モデル確率の調整
- Abstract要約: CrystalJevは、非緩和構造上の凍結ポテンシャルの1つの前方パスを読み出し、キャリブレーションされた確率を返す。
65以上のMatebench Discoveryモデルでは、しきい値呼び出しがコストの前提を隠している。
- 参考スコア（独自算出の注目度）: 7.564233846434931
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Atomistic foundation models screen hypothetical crystals by thresholding predicted energies, an output that states neither how likely a candidate is to be stable nor whether more computation would change the decision. CrystalJev reads one forward pass of a frozen potential on the unrelaxed structure and returns calibrated probabilities, conformal guarantees and a rule for escalating candidates to relaxation or density-functional theory (DFT). Across 65 Matbench Discovery models, threshold calls hide cost assumptions, and ordering slower computation by its value for the decision, rather than by probability, recovers most of its benefit at a tenth of its cost. In a registered prospective test with 2,100 DFT calculations on ionic substitutions, forecasts calibrated on existing data over-stated the stable fraction of new candidates by 0.9--2.2 percentage points, because the population had shifted, not the labelling protocol; a few hundred labels from the new pool removed this bias more reliably than label-free corrections.
- Abstract（参考訳）: 原子論的基礎モデルでは、予測エネルギーをしきい値にすることで仮説結晶を遮蔽する。
クリスタルジェフは、非緩和構造上の凍結ポテンシャルの1つの前方通過を読み出し、キャリブレーションされた確率、共形保証、緩和あるいは密度汎関数理論(DFT)に候補をエスカレーションするための規則を返す。
65以上のMatebench Discoveryモデル、しきい値呼び出しはコストの仮定を隠蔽し、確率ではなく決定値による計算を遅くすることで、コストの10分の1の利益を回復する。
イオン置換を2,100DFTで計算した登録試験では、ラベル付けプロトコルではなく、人口がシフトしていたため、既存のデータに基づいて調整された予測が、新しい候補の安定な割合を0.9～2.2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。