論文の概要: DiffGA: Steering Frozen Diffusion Models for Materials Design via Evolutionary Search

• arxiv url: http://arxiv.org/abs/2610.14999v1
• Date: Sat, 10 Oct 2026 15:27:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 03:01:30.364729
• Title: DiffGA: Steering Frozen Diffusion Models for Materials Design via Evolutionary Search
• Title（参考訳）: DiffGA:進化的探索による材料設計のための解凍拡散モデル
• Abstract要約: 生成モデルはソリューションを提供するが、通常、新しい目的ごとにトレーニングや微調整を必要とする。 本稿では、再学習拡散モデルのサンプリング軌道に進化的探索を注入するリトレーニングフリーフレームワークであるDiffGAについて述べる。 DiffGAは拡散のみ, 計算マッチング, 純粋に進化的, 微調整されたベースラインを, 安定的, ユニークで, 新規なヒット率で上回ることを示す。
• 参考スコア（独自算出の注目度）: 2.92555832792872
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Steering candidate generation toward user-defined objectives is central to inverse materials design, yet remains difficult when objectives are black-box, changing, or non-differentiable, as in many simulation- and experiment-derived properties. Generative models offer a solution but typically require retraining or fine-tuning for each new objective, demanding labeled data and substantial compute, or rely on differentiable guidance that is brittle to gradient noise and undefined for many practical targets. We present DiffGA, a retraining-free framework that injects evolutionary search into the sampling trajectory of a retrained diffusion model, evolving partially denoised states under an arbitrary black-box oracle. Because oracle evaluation often dominates campaign cost, we couple DiffGA with an on-the-fly Bayesian surrogate that reuses representations from state-of-the-art machine-learned force fields (MLFFs). A Gaussian process is fit during the campaign on the force fields's graph embeddings and, once it demonstrably ranks an unseen generation, replaces expensive property evaluations under an uncertainty-aware acquisition rule, reducing oracle cost with negligible loss of accuracy. Across three crystal-design tasks using a frozen MatterGen backbone, DiffGA outperforms diffusion-only, compute-matched, purely evolutionary, and fine-tuned baselines in oracle-assessed rates of stable, unique, and novel hits. Rather than proposing scientific compounds, we use density functional theory to quantify MLFF oracle fidelity, showing that it is a faithful proxy in key regimes but systematically biased in others, delineating when proxy-driven generative discovery can be trusted. On a representative sample, DiffGA's top hits survive first principles re-evaluation as physically realistic hits, while the surrogate-accelerated pipeline preserves this fidelity at a fraction of the cost.
• Abstract（参考訳）: ユーザ定義の目的に向けたステアリング候補生成は、逆材料設計の中心であるが、多くのシミュレーションや実験から派生した特性と同様に、目的がブラックボックス、変化、あるいは微分不可能である場合、依然として困難である。 生成モデルはソリューションを提供するが、通常、新しい目的ごとにトレーニングや微調整を必要とし、ラベル付きデータと実質的な計算を必要とする。 DiffGAは, 任意のブラックボックスオラクルの下で部分分極状態を進化させ, 再学習拡散モデルのサンプリング軌道に進化探索を注入する, 再学習自由フレームワークである。 オラクルの評価はキャンペーンコストを左右することが多いため、DiffGAと、最先端の機械学習力場(MLFF)から表現を再利用するオンザフライベイズサロゲートを結合する。 ガウス過程は、フォースフィールドのグラフ埋め込みのキャンペーン中に適合し、実証的に見つからない世代をランク付けすると、不確実性を認識した取得規則の下で高価な資産評価を置き換える。 凍結されたMatterGenバックボーンを使った3つの結晶設計タスクの中で、DiffGAは拡散のみ、計算マッチング、純粋に進化的、微調整されたベースラインを安定した、ユニークな、新しいヒットで上回る。 科学化合物を提案するのではなく、密度汎関数理論を用いてMLFFオラクルの忠実度を定量化し、キーレシエーションでは忠実なプロキシであるが、他の場合には体系的に偏りがあることを示す。 代表的なサンプルでは、DiffGAのトップヒットは物理的に現実的なヒットとして再評価され、サロゲート加速パイプラインはこの忠実度をわずかなコストで維持する。

関連論文リスト

• Decoupled Latent Optimization of Diffusion Models for Full Waveform Inversion [4.293965179144764]
  フルウェーブフォーム・インバージョン(FWI)は、高度に不規則な2次PDE速度最適化を解くことで、記録から地下の速度を回復する。 最近の拡散優先法は、標準定式化と事前整合性の間の脆弱なトレードオフを犠牲にして現実性を改善する。 そこで本稿では,潜時費用目標を補助的物理変数と潜時変数に対する潜時費用目標に緩和するDe Latent Optimization (DLO)を提案する。 OpenFWIベンチマークでは、DLOは古典的正規化器や既存の拡散ベースのメソッドよりもクリーンでノイズがあり、トラスが不足している。
  論文  参考訳（メタデータ） (2026-06-12T05:55:10Z)
• ParetoPilot: Zero-Surrogate Offline Multi-Objective Optimization via Infer-Perturb-Guide Diffusion [28.29207284864795]
  オフラインMOOのための新しいゼロ代理拡散フレームワークを提案する。 パーターブガイドエンジンは、逆生成プロセスの無条件復調ステップ内でシームレスにインターリーブされる。 当社のアプローチは,超ボリューム改善を実現しつつ,データのプライバシを保護します。
  論文  参考訳（メタデータ） (2026-06-03T05:27:21Z)
• Dual-Teacher Distillation with Subnetwork Rectification for Black-Box Domain Adaptation [69.7036779439312]
  ブラックボックスドメイン適応は、非常に実用的で非常に困難な設定である。 ブラックボックスソースモデルに埋め込まれた特定の知識を活用するサブネットワーク整合モデル(DDSR)を用いた二重蒸留法を提案する。 我々の手法は、ソースデータやモデルの使用を含む、最先端の手法に対する一貫した改善を実証する。
  論文  参考訳（メタデータ） (2026-03-24T07:54:19Z)
• InjectFlow: Weak Guides Strong via Orthogonal Injection for Flow Matching [1.974921946982281]
  フローマッチング (FM) は高忠実度視覚生成の先駆的アプローチとして浮上している。 FMモデルはデータセットバイアスに敏感であり、アウト・オブ・ディストリビューションやマイノリティ・クラスのサンプルを生成する際に深刻な意味劣化を引き起こす。 InjectFlowは、初期速度場中に意味論を注入することで、新しいトレーニング不要な手法である。
  論文  参考訳（メタデータ） (2026-03-19T11:07:14Z)
• DNA: Uncovering Universal Latent Forgery Knowledge [39.19379714306656]
  フォージェリ検出機能は、すでにトレーニング済みのモデル内にエンコードされている。 DNAフレームワークは粗大な発掘機構を採用している。 Hifi-Genは、最新のモデルの上に構築された高忠実度合成ベンチマークである。
  論文  参考訳（メタデータ） (2026-01-30T03:48:30Z)
• AODDiff: Probabilistic Reconstruction of Aerosol Optical Depth via Diffusion-based Bayesian Inference [12.981319326856495]
  AODDiffは拡散に基づく推論に基づく確率的再構成フレームワークである。 タスク固有の再トレーニングを必要とせずに、様々な再構築タスクに柔軟に適応することができる。 生成モデルとして、AODDiffは本質的に複数の空間的品質サンプリングによる不確実なサンプリングを可能にし、下流アプリケーションに重要な信頼性指標を提供する。
  論文  参考訳（メタデータ） (2025-12-31T13:16:10Z)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• Continuous Visual Autoregressive Generation via Score Maximization [69.67438563485887]
  本稿では,ベクトル量子化なしで直接視覚的自己回帰生成を可能にする連続VARフレームワークを提案する。 このフレームワークの中で必要なのは、厳密な適切なスコアを選択し、最適化のトレーニング目標として設定することだけです。
  論文  参考訳（メタデータ） (2025-05-12T17:58:14Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。