論文の概要: Origins of Universal Machine Learning Force-Field Errors in Multicomponent Materials

• arxiv url: http://arxiv.org/abs/2610.09837v2
• Date: Thu, 08 Oct 2026 15:13:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.541584
• Title: Origins of Universal Machine Learning Force-Field Errors in Multicomponent Materials
• Title（参考訳）: 多成分材料におけるユニバーサル機械学習力場誤差の起源
• Abstract要約: 我々は,高エントロピー設計,元素置換,アニオン混合にインスパイアされた7,599個の多成分構成のベンチマークを構築した。 11の事前学習されたモデルは、エネルギー、力、ストレスの密度汎関数理論に対して評価される。
• 参考スコア（独自算出の注目度）: 17.667163574553573
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Universal machine learning force-field generalization to multicomponent environments generated by compositional design remains insufficiently assessed. We construct a benchmark of 7,599 multicomponent configurations inspired by high-entropy design, elemental substitution and anion mixing. Eleven pretrained models are evaluated against density functional theory for energies, forces and stresses, with assessment extended to elastic, vibrational and adsorption-related properties. Force errors are analysed through training-reference coverage, local geometric heterogeneity, distance directionality and elemental response. Distances to training-reference environments reveal a qualitative association between coverage differences and increasing errors, while substantial variation remains at similar distances. Higher-error groups show greater local geometric heterogeneity, although OMat24 provides broad coverage of these environments. Relative to training-reference pair medians, errors remain low near the median, rise steeply on the compression side and increase more weakly on the extension side. After matching element pairs and absolute distance deviations, compression-side force errors are 1.81-1.95 times extension-side errors. Model-predicted pairwise interaction curves show greater curvature under compression. Fitting difficulty in independent elemental systems correlates with electronic band-energy responses to atomic displacements and Fermi-level shifts, and a similar pattern is observed in multicomponent systems. In parameter-matched comparisons, spherical-harmonic representations with maximum degrees of 2 and 4 lower test force errors for 38 and 40 of 43 elements, respectively, while differences in elemental difficulty remain. These findings inform force-field selection for experimental compositional design and identify targets for training-data sampling and model representations.
• Abstract（参考訳）: 構成設計によって生成された多成分環境への普遍的な機械学習力場一般化は、まだ十分に評価されていない。 我々は,高エントロピー設計,元素置換,アニオン混合にインスパイアされた7,599個の多成分構成のベンチマークを構築した。 11の事前学習モデルがエネルギー、力、応力の密度汎関数理論に対して評価され、弾性、振動、吸着に関する特性に拡張された。 力の誤差は、トレーニング参照カバレッジ、局所的な幾何学的不均一性、距離方向性、元素反応によって分析される。 訓練基準環境への距離は、カバレッジの違いとエラーの増加の間に質的な関連性を示す一方、かなりの変化は同様の距離に留まっている。 高いエラー群はより局所的な幾何学的不均一性を示すが、OMat24はこれらの環境を広範囲にカバーしている。 トレーニング基準ペア中央値と比較して、誤差は中央値付近で低く、圧縮側では急上昇し、拡張側ではより弱くなる。 要素対と絶対距離偏差が一致すると、圧縮側力誤差は1.81-1.95倍になる。 モデル予測対相互作用曲線は圧縮下での曲率が大きい。 独立系におけるフィッティング困難は、原子変位やフェルミ準位シフトに対する電子バンドエネルギー応答と相関し、同様のパターンが多成分系で観測される。 パラメータマッチング比較では, 最大度2の球面-高調波表現と, 43元素中38元素と40元素の試験力誤差が4個, 元素難易度は相違がみられた。 これらの知見は,実験的な構成設計のための力場選択と,トレーニングデータサンプリングとモデル表現のターゲットを特定する。

関連論文リスト

• From Concentration to Differentiation and Back: Routing Effective Rank in MoE Reasoning Cohorts [61.695980784491475]
  テストタイムスケーリングは、推論ロールアウトのコホートを生成するが、推論が展開するにつれて内部計算がどのように再編成されるかについて、標準的なラベルのない説明はない。 本稿では,MoEの専門家による類似性から構築したクロスロールアウトグラフのエントロピー有効次元性であるルーティング有効ランクデフを導入する。
  論文  参考訳（メタデータ） (2026-09-06T05:43:22Z)
• Solution-space heterogeneity shapes federated learning dynamics across partial differential equations [41.890949680958805]
  フェデレートされた機械学習により、組織は局所的な物理データを集中することなく、ニューラルネットワークを訓練できる。 既存のプロトコルは、方程式固有の規則に従って座標、係数、境界条件、またはジオメトリを分割する。 本稿では、連続的な教師付き応答を再利用可能なソリューションビンに変換するプロトコルであるPDE-Dirichletについて紹介する。
  論文  参考訳（メタデータ） (2026-09-04T11:23:29Z)
• Generalization Below the Edge of Stability: The Role of Data Geometry [60.147710896851045]
  安定性の限界以下で訓練されたReLUネットワークにおいて,データ幾何が一般化を制御するかを示す。 低次元球の混合に支持されるデータ分布について、本質的な次元に確実に適応する一般化境界を導出する。 文献に現れる異種の経験的所見を総合的に検討した。
  論文  参考訳（メタデータ） (2025-10-20T21:40:36Z)
• Contrastive Multi-Task Learning with Solvent-Aware Augmentation for Drug Discovery [3.4776689202566824]
  各種溶媒条件下で生成する配位子コンフォメーションアンサンブルを付加入力として組み込んだ事前学習法を提案する。 トレーニングプロセスは、分子再構成を統合し、局所的な幾何学、原子間距離予測、および対照的な学習を捉え、溶媒不変の分子表現を構築する。 このフレームワークは、溶媒を意識したマルチタスクモデリングをサポートし、ベンチマーク間で一貫した結果を生成する。
  論文  参考訳（メタデータ） (2025-08-03T15:25:42Z)
• Evolution of multi-qubit correlations driven by mutual interactions [49.1574468325115]
  我々は$frac12$-spinsからなる量子系の相関テンソル要素の進化を分析する。 強い外部場が特定の相関特性に対して安定化因子を果たすことを示す。
  論文  参考訳（メタデータ） (2025-07-01T11:45:08Z)
• Network scaling and scale-driven loss balancing for intelligent poroelastography [2.665036498336221]
  フルウェーブフォームデータからポリ弾性媒体のマルチスケールキャラクタリゼーションのためのディープラーニングフレームワークを開発した。 2つの大きな課題は、この目的のために既存の最先端技術を直接適用することを妨げる。 本稿では, ニューラルネットワークをスケーリング層に構成した単位形状関数を用いて, ニューラルプロパティマップを構築する, エンフェネティックスケーリングの考え方を提案する。
  論文  参考訳（メタデータ） (2024-10-27T23:06:29Z)
• The Copycat Perceptron: Smashing Barriers Through Collective Learning [3.55026004901472]
  本研究では,各学生の一般化性能に影響を及ぼすサーマルノイズが存在する場合の一般的な設定を解析する。 レプリカの結合は、$alpha$の小さな値への位相図の曲がりに繋がることがわかった。 これらの結果は、最近推測されたReplicated Simulated Annealingのベイズ最適性に関する解析的および数値的な証拠を与える。
  論文  参考訳（メタデータ） (2023-08-07T17:51:09Z)
• Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
  グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。 物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。 本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
  論文  参考訳（メタデータ） (2022-10-13T10:00:30Z)
• Enhanced Principal Component Analysis under A Collaborative-Robust Framework [89.28334359066258]
  重み学習とロバストな損失を非自明な方法で組み合わせる,一般的な協調ロバスト重み学習フレームワークを提案する。 提案されたフレームワークでは、トレーニング中の重要度を示す適切なサンプルの一部のみがアクティブになり、エラーが大きい他のサンプルは無視されません。 特に、不活性化試料の負の効果はロバスト損失関数によって軽減される。
  論文  参考訳（メタデータ） (2021-03-22T15:17:37Z)
• Learning perturbation sets for robust machine learning [97.6757418136662]
  我々は、潜在空間の制約領域上に設定された摂動を定義する条件生成器を用いる。 学習した摂動集合の質を定量的かつ質的に測定する。 我々は、学習した摂動集合を利用して、敵画像の破損や逆光の変動に対して経験的かつ確実に堅牢なモデルを訓練する。
  論文  参考訳（メタデータ） (2020-07-16T16:39:54Z)

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。