論文の概要: Can Machine Learning Potentials Be More Accurate Than the Methods They Are Trained On?
- arxiv url: http://arxiv.org/abs/2610.18027v1
- Date: Tue, 13 Oct 2026 09:19:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.573783
- Title: Can Machine Learning Potentials Be More Accurate Than the Methods They Are Trained On?
- Title（参考訳）: 機械学習の可能性は、トレーニング対象の方法よりも正確か?
- Abstract要約: 第3の空間を一般化することにより、QMを非経験的な訓練方法よりも正確にすることができると論じる。
本稿では,密度汎関数理論と波動関数理論の両方を応用して,未知の手法で予測可能な手法の伝達経路を提案する。
- 参考スコア（独自算出の注目度）: 4.45475785703751
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Although machine learning potentials (MLPs) generalize across configurational and chemical compound spaces, their accuracy is commonly believed to be limited by their training methods, with improvements beyond this limit achieved so far only by refitting to experimental observables. In this Perspective, we argue that MLPs can also be made more accurate than their training methods non-empirically by generalizing across a third space, that of quantum-chemical methods. We propose routes to method-transferable MLPs that predict at unseen methods, with working implementations in both density-functional and wavefunction-based theories showing that they can be more accurate than any of their training methods. Aiming beyond the accuracy of the training methods could also make universal MLPs more accurate than single-method models, even when the method-transferable MLPs remain less accurate than those QM methods. Method-transferable MLPs will shape the construction of training datasets and the evaluation of models, pushing the accuracy limits of chemical simulations.
- Abstract（参考訳）: 機械学習ポテンシャル(MLP)は、構成的および化学複合空間にまたがって一般化されるが、それらの精度は訓練方法によって制限されると考えられており、この限界を超える改善は実験的な可観測物に適合させることで達成されている。
この観点では、量子化学法の3次元空間をまたいで一般化することにより、MPPを非経験的な訓練法よりも精度良くすることができると論じる。
本研究では,どのトレーニング手法よりも高精度であることを示す密度汎関数理論と波動関数理論の両方において,未知の手法で予測できる手法伝達可能なMLPへの経路を提案する。
トレーニング手法の精度を超えて、メソッド変換可能なMLPがこれらのQMメソッドよりも精度が低い場合でも、単一のメソッドモデルよりも普遍的なMLPをより正確にすることができる。
メソッド変換可能なMLPは、トレーニングデータセットの構築とモデルの評価を形作り、化学シミュレーションの精度限界を押し上げる。
関連論文リスト
- Enhancing Machine Learning Potentials through Transfer Learning across Chemical Elements [0.0]
機械学習ポテンシャル(MLP)は、計算コストの桁違いでアブ初期精度のシミュレーションを可能にする。
ここでは化学的に類似した元素間のポテンシャルエネルギー表面の移動学習を紹介する。
我々は,伝達学習が力予測のスクラッチから従来の訓練を超越し,より安定なシミュレーションと温度伝達性の向上をもたらすことを実証した。
論文 参考訳（メタデータ） (2025-02-19T08:20:54Z) - What Do Learning Dynamics Reveal About Generalization in LLM Reasoning? [83.83230167222852]
モデルの一般化動作は,事前記憶列車の精度と呼ばれるトレーニング指標によって効果的に特徴づけられることがわかった。
モデルの学習行動と一般化を結びつけることで、トレーニング戦略に目標とする改善を導くことができる。
論文 参考訳（メタデータ） (2024-11-12T09:52:40Z) - Uncertainty-biased molecular dynamics for learning uniformly accurate interatomic potentials [25.091146216183144]
アクティブラーニングは、偏りや偏りのない分子動力学を用いて候補プールを生成する。
既存のバイアスやバイアスのないMDシミュレーション手法は、稀な事象や外挿領域を見逃しがちである。
この研究は、MLIPのエネルギー不確実性に偏ったMDが同時に外挿領域と稀な事象を捉えることを示した。
論文 参考訳（メタデータ） (2023-12-03T14:39:14Z) - Machine learning for accuracy in density functional approximations [0.0]
密度汎関数近似の精度を向上させるために機械学習を適用した最近の進歩を概観する。
異なる化学物質と材料クラス間で伝達可能な機械学習モデルを考案する際の約束と課題について論じる。
論文 参考訳（メタデータ） (2023-11-01T00:02:09Z) - From Cloze to Comprehension: Retrofitting Pre-trained Masked Language
Model to Pre-trained Machine Reader [130.45769668885487]
Pre-trained Machine Reader (PMR) は、ラベル付きデータを取得することなく、MLMを事前学習機械読解(MRC)モデルに適合させる新しい手法である。
提案したPMRを構築するために,多量の汎用および高品質なMRCスタイルのトレーニングデータを構築した。
PMRは、MRCの定式化における様々な抽出および分類タスクに対処するための統一モデルとして機能する可能性がある。
論文 参考訳（メタデータ） (2022-12-09T10:21:56Z) - A Close Look into the Calibration of Pre-trained Language Models [56.998539510508515]
事前訓練された言語モデル(PLM)は、予測の不確かさを確実に見積もることに失敗する可能性がある。
トレーニングにおけるPLMの校正性能の動的変化について検討する。
最近提案された2つの学習可能な手法を拡張して、モデルを直接収集し、合理的な信頼度を推定する。
論文 参考訳（メタデータ） (2022-10-31T21:31:07Z)
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。