論文の概要: Learning the Geometry of Materials Space with Trained Neural Tangent Kernels

• arxiv url: http://arxiv.org/abs/2610.27412v1
• Date: Tue, 20 Oct 2026 00:07:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.555732
• Title: Learning the Geometry of Materials Space with Trained Neural Tangent Kernels
• Title（参考訳）: 学習したニューラルネットワークカーネルによる材料空間の幾何学的学習
• Abstract要約: 材料特性を予測するために訓練されたニューラルネットワークは、物理的内容の抽出が困難な表現を学習する。 我々は、ニューラルネットワークカーネル(NTK)を用いて、元素組成だけで超伝導転移温度を予測するネットワークによって学習された幾何を復元する。
• 参考スコア（独自算出の注目度）: 1.3399955877306835
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural networks trained to predict materials properties learn representations whose physical content can be difficult to extract. We use the neural tangent kernel (NTK), evaluated at trained parameters, to recover the geometry learned by a network that predicts superconducting transition temperatures from elemental composition alone. Kernel ridge regression with the trained NTK closely reproduces the network's predictive performance and substantially outperforms regression with the initial kernel. Spectral analysis and multidimensional scaling reveal a geometry dominated by a small number of directions. Clustering and local neighborhood analysis organize compounds into recognizable superconducting families and connect materials with related chemical and correlated-electron properties despite substantial differences in $T_c$. These results establish trained tangent kernels as practical probes of learned materials representations, connecting property prediction with the exploration of materials space.
• Abstract（参考訳）: 材料特性を予測するために訓練されたニューラルネットワークは、物理的内容の抽出が困難な表現を学習する。 ニューラルネットワークカーネル(NTK)を用いて,分子組成だけで超伝導転移温度を予測するネットワークによって学習された形状を復元する。 トレーニングされたNTKによるカーネルリッジレグレッションは、ネットワークの予測性能を密に再現し、初期カーネルでのリグレッションを大幅に上回る。 スペクトル解析と多次元スケーリングは、少数の方向で支配される幾何学を明らかにする。 クラスター化と局所近傍分析は、T_c$の相当な差があるにもかかわらず、化合物を認識可能な超伝導族に整理し、関連化学的および相関電子特性で材料を接続する。 これらの結果は、学習材料表現の実践的なプローブとして訓練されたタンジェントカーネルを確立し、特性予測と材料空間の探索を結びつける。

関連論文リスト

• Mathematical Foundations of Neural Tangents and Infinite-Width Networks [0.0]
  我々はTangent Neural Kernel(NTK)による無限幅状態におけるニューラルネットワークの数学的基礎について検討する。 本研究では,NTK-Eigenvalue-Controlled Residual Network (NTK-ECRN)を提案する。 合成およびベンチマークデータセットによる実験結果は、予測されたカーネルの挙動を検証し、トレーニング安定性と一般化の改善を実証する。
  論文  参考訳（メタデータ） (2025-12-09T05:41:40Z)
• Using pretrained graph neural networks with token mixers as geometric featurizers for conformational dynamics [0.0]
  我々はGeom2vecを導入し、トレーニング済みグラフニューラルネットワーク(GNN)を普遍的な幾何演算器として利用する。 学習したGNN表現は,表現型トークンミキサーと組み合わせることで,構造単位(トークン)間の解釈可能な関係を捉えることができることを示す。
  論文  参考訳（メタデータ） (2024-09-30T00:36:06Z)
• Revealing the structure-property relationships of copper alloys with FAGC [9.444321951789105]
  Cu-Cr-Zr合金は電子機器や電力産業において重要な役割を果たしている。 利用可能な試料が不足しているため、Cu-Cr-Zr合金の微細構造像と重要な性質との関係を探索する有効な研究が欠如している。 FAGC機能増強法は、Cu-Cr-Zr合金の組織像を前形状空間として知られる特徴空間内で高めるために用いられる。
  論文  参考訳（メタデータ） (2024-04-15T07:20:09Z)
• Riemannian Residual Neural Networks [58.925132597945634]
  残余ニューラルネットワーク(ResNet)の拡張方法を示す。 ResNetは、機械学習において、有益な学習特性、優れた経験的結果、そして様々なニューラルネットワークを構築する際に容易に組み込める性質のために、ユビキタスになった。
  論文  参考訳（メタデータ） (2023-10-16T02:12:32Z)
• Band-gap regression with architecture-optimized message-passing neural networks [1.9590152885845324]
  AFLOWデータベースからの密度汎関数理論データから材料を金属または半導体/絶縁体として分類するMPNNを訓練する。 次に,MPNNのモデル構造とハイパーパラメータ空間を探索し,非金属と同定された材料のバンドギャップを予測する。 検索から得られる最高のパフォーマンスモデルはアンサンブルにまとめられ、既存のモデルよりもはるかに優れています。
  論文  参考訳（メタデータ） (2023-09-12T16:13:10Z)
• Gradient Descent in Neural Networks as Sequential Learning in RKBS [63.011641517977644]
  初期重みの有限近傍にニューラルネットワークの正確な電力系列表現を構築する。 幅にかかわらず、勾配降下によって生成されたトレーニングシーケンスは、正規化された逐次学習によって正確に複製可能であることを証明した。
  論文  参考訳（メタデータ） (2023-02-01T03:18:07Z)
• Extrapolation and Spectral Bias of Neural Nets with Hadamard Product: a Polynomial Net Study [55.12108376616355]
  NTKの研究は典型的なニューラルネットワークアーキテクチャに特化しているが、アダマール製品(NNs-Hp)を用いたニューラルネットワークには不完全である。 本研究では,ニューラルネットワークの特別なクラスであるNNs-Hpに対する有限幅Kの定式化を導出する。 我々は,カーネル回帰予測器と関連するNTKとの等価性を証明し,NTKの適用範囲を拡大する。
  論文  参考訳（メタデータ） (2022-09-16T06:36:06Z)
• The Spectral Bias of Polynomial Neural Networks [63.27903166253743]
  PNN(Polynomial Neural Network)は、高頻度情報を重要視する画像生成と顔認識に特に有効であることが示されている。 これまでの研究では、ニューラルネットワークが低周波関数に対して$textitspectral bias$を示しており、トレーニング中に低周波成分のより高速な学習をもたらすことが示されている。 このような研究に触発されて、我々はPNNのTangent Kernel(NTK)のスペクトル分析を行う。 我々は、最近提案されたPNNのパラメトリゼーションである$Pi$-Netファミリがスピードアップすることを発見した。
  論文  参考訳（メタデータ） (2022-02-27T23:12:43Z)
• Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
  本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。 接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。 この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
  論文  参考訳（メタデータ） (2020-08-19T04:53:31Z)
• Understanding Generalization in Deep Learning via Tensor Methods [53.808840694241]
  圧縮の観点から,ネットワークアーキテクチャと一般化可能性の関係について理解を深める。 本稿では、ニューラルネットワークの圧縮性と一般化性を強く特徴付ける、直感的で、データ依存的で、測定が容易な一連の特性を提案する。
  論文  参考訳（メタデータ） (2020-01-14T22:26:57Z)
• Geometric deep learning for computational mechanics Part I: Anisotropic Hyperelasticity [1.8606313462183062]
  本稿では, 幾何学的深層学習を用いた最初の試みであり, ソボレフトレーニングには非ユークリッドマイクロ構造データが含まれており, 異方性超構造体機械学習モデルを有限変形範囲でトレーニングすることができる。
  論文  参考訳（メタデータ） (2020-01-08T02:07:39Z)

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。