論文の概要: PYTHIA, a transferable machine learning framework for simultaneous defect and adsorption site optimization

• arxiv url: http://arxiv.org/abs/2610.31539v1
• Date: Thu, 22 Oct 2026 16:46:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.482937
• Title: PYTHIA, a transferable machine learning framework for simultaneous defect and adsorption site optimization
• Title（参考訳）: PYTHIA - 同時欠陥と吸着部位最適化のための移動可能な機械学習フレームワーク
• Abstract要約: 我々は, PYTHIAフレームワークを用いて, 機械学習の適用性を, 新規・未研究の材料に拡張する。 我々は、化学的に類似した分子の大きなデータセットに基づいて訓練された複雑な基礎モデルを、予測対象に物理的に近いターゲットに採用する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning has permeated material optimization, providing high value. Nevertheless, its re- liance on a high number of samples limits its applicability to relatively explored material families. In this paper we extend the applicability of machine learning to novel and understudied materials through the PYTHIA (Probabilistic Yet Transferable Hierarchical Interaction Architecture) framework. Pythia utilizes two of the most powerful machine learning concepts, foundational models and transfer learning. We employ a complex foundational model trained on a large dataset of chemically similar molecules, on a target that is physically close to our prediction target. Then, we freeze the weights and perform subspace alignment with the use of a transformer layer and add uncertainty quantification with gaussian processes. These two layers can be trained on a limited dataset yet allow us to leverage the gained knowl- edge and the studied materials and complex architectures. The resulting model is used as a surrogate for a Bayesian Optimization scheme. To showcase the robustness of the framework, we applied it to the investigation of adsorption and defect optimization of two distinct systems. Not only were we able to correctly and efficiently identify the optimal adsorption sites of even complex a
• Abstract（参考訳）: 機械学習は材料最適化に浸透し、高い価値を提供している。 それにもかかわらず、多くのサンプルに対する再依存は、比較的探索された物質族への適用性を制限している。 本稿では, PYTHIA (Probabilistic Yet Transferable Hierarchical Interaction Architecture) フレームワークを用いて, 機械学習の適用性を, 新規・未検討材料に適用する。 Pythiaは、最も強力な機械学習の概念である基礎モデルと伝達学習の2つを利用している。 我々は、化学的に類似した分子の大規模なデータセットに基づいて訓練された複雑な基礎モデルを、予測対象に物理的に近いターゲットに採用する。 次に, 重みを凍結し, 変圧器層を用いて部分空間アライメントを行い, ガウス過程による不確かさを付加する。 これら2つのレイヤは、限られたデータセットでトレーニングできるが、得られたノウルエッジや研究材料、複雑なアーキテクチャを活用することができる。 得られたモデルはベイズ最適化スキームの代用として用いられる。 フレームワークの堅牢性を示すために,2つの異なるシステムの吸着と欠陥最適化について検討した。 偶数 a の最適吸着部位を正しくかつ効率的に同定できただけでなく

関連論文リスト

• Comparison of derivative-free and gradient-based minimization for multi-objective compositional design of shape memory alloys [0.0]
  我々は, 機械モデルを代理材として使用し, 合金組成の探索に数値的手法を適用した。 本研究では、物理インフォームドデータ、機械学習モデル、最適化アルゴリズムを組み合わせることで、新しいSMAを探索する実践的なアプローチを示す。
  論文  参考訳（メタデータ） (2025-08-19T03:43:35Z)
• Representation Meets Optimization: Training PINNs and PIKANs for Gray-Box Discovery in Systems Pharmacology [1.8434042562191815]
  物理インフォームド・コルモゴロフネットワーク (PIKANs) は、オリジナルの多層パーセプトロンベースの物理インフォームドネットワーク (PINNs) に対抗して注目されている。
  論文  参考訳（メタデータ） (2025-04-10T01:37:18Z)
• Implicitly Guided Design with PropEn: Match your Data to Follow the Gradient [52.2669490431145]
  PropEnは'matching'にインスパイアされている。 一致したデータセットによるトレーニングは、データ分布内に留まりながら、興味のある性質の勾配を近似することを示す。
  論文  参考訳（メタデータ） (2024-05-28T11:30:19Z)
• LatticeML: A data-driven application for predicting the effective Young Modulus of high temperature graph based architected materials [0.0]
  この研究は、データ駆動型アプリケーションであるLatticeMLを、高温グラフベースの構造化材料の有効ヤング率を予測するためのものである。 この研究は、Ti-6Al-4VとInconel 625の2つの高温合金を用いたグラフベースの格子構造について考察した。 機械学習フレームワークは、データ収集、前処理、回帰モデルの実装、最高のパフォーマンスモデルの導入を含む、YoungのModulusを予測するために開発された。
  論文  参考訳（メタデータ） (2024-04-15T05:50:46Z)
• Mechanistic Design and Scaling of Hybrid Architectures [114.3129802943915]
  我々は、様々な計算プリミティブから構築された新しいハイブリッドアーキテクチャを特定し、テストする。 本研究では,大規模計算最適法則と新しい状態最適スケーリング法則解析を用いて,結果のアーキテクチャを実験的に検証する。 我々は,MAD合成法と計算-最適パープレキシティを相関させ,新しいアーキテクチャの正確な評価を可能にする。
  論文  参考訳（メタデータ） (2024-03-26T16:33:12Z)
• Enhancing Multi-Objective Optimization through Machine Learning-Supported Multiphysics Simulation [1.6685829157403116]
  本稿では,訓練,自己最適化,自己組織的代理モデルのための方法論的枠組みを提案する。 シュロゲートモデルを比較的少量のデータで訓練し、基礎となるシミュレーションを正確に近似できることを示す。
  論文  参考訳（メタデータ） (2023-09-22T20:52:50Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• Machine Learning Framework for Quantum Sampling of Highly-Constrained, Continuous Optimization Problems [101.18253437732933]
  本研究では,連続空間の逆設計問題を,制約のないバイナリ最適化問題にマッピングする,汎用的な機械学習ベースのフレームワークを開発する。 本研究では, 熱発光トポロジを熱光応用に最適化し, (ii) 高効率ビームステアリングのための拡散メタグレーティングを行うことにより, 2つの逆設計問題に対するフレームワークの性能を示す。
  論文  参考訳（メタデータ） (2021-05-06T02:22:23Z)
• A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
  固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。 我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
  論文  参考訳（メタデータ） (2020-06-22T08:35:58Z)
• Machine Learning Enabled Discovery of Application Dependent Design Principles for Two-dimensional Materials [1.1470070927586016]
  我々は熱力学、機械的、電子的特性を予測するためにモデルのアンサンブルを訓練する。 ほぼ2つの非結合なアプリケーションに対して,45,000近い構造体をスクリーニングする。 有機-無機ペロブスカイトと鉛とスズとのハイブリッドが太陽電池の応用に好適であることが判明した。
  論文  参考訳（メタデータ） (2020-03-19T23:13:50Z)

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。