論文の概要: Risk-Controlled DFT Selection for Machine-Learned Interatomic Potentials

• arxiv url: http://arxiv.org/abs/2610.19630v1
• Date: Wed, 14 Oct 2026 06:00:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.987352
• Title: Risk-Controlled DFT Selection for Machine-Learned Interatomic Potentials
• Title（参考訳）: 機械学習型原子間ポテンシャルに対するリスク制御型DFT選択
• Abstract要約: 機械学習型原子間ポテンシャル(MLIP)近似密度汎関数理論(DFT)は安価であるが、その誤差は構成によって大きく異なる。 我々は、この決定をリスク制御選択問題とみなし、整合性リスク制御フレームワークで解決する。 構造のみの予測器は、委員会ベースラインよりも$0.3$でDFTへの構成を7%と14%少なくする。
• 参考スコア（独自算出の注目度）: 0.16311150636417257
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated materials discovery requires evaluating large pools of candidate configurations, with density functional theory (DFT) as a major throughput bottleneck. Pretrained machine-learned interatomic potentials (MLIPs) approximate DFT cheaply, but their errors vary by orders of magnitude across configurations, making it difficult to decide when to trust the MLIP predictions and when to fall back to DFT. We frame this decision as a risk-controlled selection problem and solve it within a conformal risk control (CRC) framework. Each configuration is mapped from atomic numbers and Cartesian coordinates to a fixed geometric descriptor, which a lightweight predictor uses to estimate an MLIP-DFT disagreement score in energy, average force, and maximum force. CRC then calibrates this score into a selection threshold for DFT labeling such that the MLIP error on the unselected configurations, which keep their MLIP labels, stays below a user-chosen fraction $α$ of the expected error. Under an identical guarantee across eight dataset-MLIP pairs, our predictor routes 7% and 14% fewer configurations to DFT at $α=0.3$ than committee baselines. Because committee disagreement overlooks errors the MLIPs share, our gains are largest when the DFT labels and MLIP training data differ in DFT functional and basis set, and narrow when the two agree. Without model access, the structure-only predictor also ranks errors as well as the target MLIP's latent representation and outperforms widely used descriptors such as Smooth Overlap of Atomic Positions (SOAP) and Atom-Centered Symmetry Functions (ACSF).
• Abstract（参考訳）: 自動材料発見は、大きなスループットボトルネックとして密度汎関数理論(DFT)を用いて、候補設定の大きなプールを評価する必要がある。 事前訓練された機械学習型原子間ポテンシャル(MLIP)は、DFTを安価に近似するが、それらの誤差は構成によって桁違いに変化するため、いつMLIP予測を信頼するか、いつDFTにフォールバックするかを決定することは困難である。 我々はこの決定をリスク制御の選択問題とみなし、共形リスク制御(CRC)フレームワークで解決する。 各構成は原子番号とカルト座標から固定幾何記述子にマッピングされ、これは軽量予測器がエネルギー、平均力、最大力のMLIP-DFT不一致スコアを推定するために使用する。 CRCはこのスコアをDFTラベルの選択しきい値に分類し、MLIPラベルを保持する未選択構成のMLIPエラーが、期待されるエラーのαドル未満に留まるようにする。 8つのデータセット-MLIPペアで同じ保証の下で、私たちの予測器は、委員会ベースラインよりも$α=0.3$でDFTに7%と14%少ない構成をルーティングします。 DFTラベルとMLIPトレーニングデータがDFT機能とベースセットで異なる場合、そして両者が一致した場合、その差は狭くなる。 モデルアクセスなしでは、構造限定予測器は、ターゲットMLIPの潜在表現と同様にエラーをランク付けし、Smooth Overlap of Atomic Positions (SOAP)やAtom-Centered Symmetry Functions (ACSF)のような広く使われている記述器よりも優れている。

関連論文リスト

• dMX: Differentiable Mixed-Precision Assignment for Low-Precision Floating-Point Formats [1.3357020021155022]
  dMXは、学習可能な浮動小数点ビット幅割り当てのための混合精度量子化フレームワークである。 我々は,Open Compute Project 規格で定義されたデータ型のマイクロスケーリング浮動小数点(MXFP)ファミリへの適用について検討した。
  論文  参考訳（メタデータ） (2026-06-02T18:23:20Z)
• MLIPilot: LLM-Driven Auto-Research for Machine-Learned Interatomic Potentials [0.0]
  MLIPilotは、ツールコールによる大規模言語モデルによる仮説の提案、MLIPトレーニングコードの編集、HPCジョブの起動、修正された物理的制約付きスコアカードによる変更の受け入れまたは反転を行う自動検索フレームワークである。 GPT-5.5, GPT-4.1, Mistral-24B, Qwen3-32B を含む商用およびオープンウェイト LLM エージェントを用いた MACE 電位最適化における MLIPilot の評価を行った。
  論文  参考訳（メタデータ） (2026-05-29T06:25:47Z)
• BitTP: The Lightweight Trajectory Prediction Model with BitLLM for Edge-Devices [6.264768004263451]
  大規模言語モデル(LLM)は、強い文脈推論と解釈可能な言語に基づく軌道表現を提供する。 これらのLCMベースの予測器は、非常にメモリと計算集約であり、自律ロボットのリソース制約されたエッジデバイスへのデプロイが困難になる。 LLMに基づく軌道予測器を軽量ビットジェクタに変換するBitTPを提案する。 実験的に、BitTP-Weightは保存するだけでなく、BF16ベースラインよりも予測品質が向上し、ADEは14.29%、FDEは20.97%減少する。
  論文  参考訳（メタデータ） (2026-05-28T10:04:02Z)
• Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
  生成のための教師なし共形推論フレームワークを提案する。 我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。 その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
  論文  参考訳（メタデータ） (2025-09-26T23:40:47Z)
• Closer to Reality: Practical Semi-Supervised Federated Learning for Foundation Model Adaptation [56.36237936346563]
  ファンデーションモデル(FM)は顕著な一般化を示すが、下流のタスクに適応する必要がある。 データプライバシー規制のため、クラウドベースのFMはプライベートエッジデータに直接アクセスできない。 エッジデバイスがラベルのない低解像度のデータのみを保持する実践的セミスーパービジョン・フェデレーションラーニング(PSSFL)を導入する。 我々の研究は、フェデレートされたシナリオにおけるスケーラブルでプライバシ保護のFM適応の道を開いた。
  論文  参考訳（メタデータ） (2025-08-22T17:47:02Z)
• FedRFQ: Prototype-Based Federated Learning with Reduced Redundancy, Minimal Failure, and Enhanced Quality [41.88338945821504]
  FedRFQはプロトタイプベースのフェデレーション学習アプローチであり、冗長性を低減し、失敗を最小限に抑え、下位品質を改善することを目的としている。 本稿では,BFT (Byzantine Fault Tolerance) 検出可能な集約アルゴリズムであるBFT-detectを導入する。
  論文  参考訳（メタデータ） (2024-01-15T09:50:27Z)
• Minimally Supervised Learning using Topological Projections in Self-Organizing Maps [55.31182147885694]
  自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。 提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。 提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2024-01-12T22:51:48Z)
• DeepFT: Fault-Tolerant Edge Computing using a Self-Supervised Deep Surrogate Model [12.335763358698564]
  本稿では,システム過負荷とその悪影響を積極的に回避するためにDeepFTを提案する。 DeepFTは、システム内の障害を正確に予測し、診断するために、ディープサロゲートモデルを使用している。 モデルのサイズが1ユニットあたりわずか3～1%のスケールで、アクティブなタスクやホストの数が増えるため、非常にスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2022-12-02T16:51:58Z)
• FeDXL: Provable Federated Learning for Deep X-Risk Optimization [105.17383135458897]
  我々は、既存のアルゴリズムが適用できないXリスクのファミリーを最適化するために、新しい連邦学習(FL)問題に取り組む。 Xリスクに対するFLアルゴリズムを設計する際の課題は、複数のマシンに対する目的の非可逆性と、異なるマシン間の相互依存にある。
  論文  参考訳（メタデータ） (2022-10-26T00:23:36Z)
• DFTpy: An efficient and object-oriented platform for orbital-free DFT simulations [55.41644538483948]
  本稿では、Python 3で完全に書かれたOFDFTを実装したオープンソースソフトウェアであるDFTpyを紹介する。 本稿では,1CPUで計算したアルミニウムの100万原子系の電子構造について紹介する。 DFTpyはMITライセンスでリリースされている。
  論文  参考訳（メタデータ） (2020-02-07T19:07:41Z)

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。