論文の概要: PaddleMaterials: An End-to-End Deep Learning Toolkit for Materials Science
- arxiv url: http://arxiv.org/abs/2611.03154v1
- Date: Mon, 02 Nov 2026 14:03:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 12:59:45.046795
- Title: PaddleMaterials: An End-to-End Deep Learning Toolkit for Materials Science
- Title（参考訳）: PaddleMaterials: 材料科学のためのエンドツーエンドのディープラーニングツールキット
- Abstract要約: 機械学習は材料設計、原子論シミュレーション、実験的な特徴づけをサポートするが、モデルとモデルは断片化されている。
異種教材学習タスクを統合したオープンソースのフレームワークPaddleMaterialsを提案する。
データ処理、トレーニング、評価、事前訓練された計算、検証可能なクロスタスク操作を統合する。
- 参考スコア（独自算出の注目度）: 17.437066338786614
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning supports materials design, atomistic simulation and experimental characterization, yet models and workflows remain fragmented. We present PaddleMaterials, an open-source framework integrating heterogeneous materials-learning tasks while preserving task-specific representations and scientific semantics. It unifies data processing, training, evaluation, pretrained-model management and workflows across six task classes: property prediction, structure generation, machine-learning interatomic potentials, electronic-structure fields, spectrum elucidation and microscopy image processing. Task interfaces record physical quantities, units, aggregation conventions and references, making cross-task composition verifiable. A shared compiler backend enables switching from dynamic-graph to compiled execution through one setting, using graph optimization, operator fusion and hardware-targeted code generation without changing model definitions. Across 65 model instances in 11 groups, compiled execution accelerated every instance in eight groups, with group median speedups of 11%-224% and group maximum speedups of 11%-336%. Case studies on LiMnO2 and toluene link structure generation or spectrum elucidation, interatomic-potential relaxation, property prediction and electron-density prediction, using same-geometry density functional theory (DFT) calculations as references. For LiMnO2, predicted formation energies for generated and relaxed structures differed from same-geometry PBE+U references by at most 7 meV per atom, while the computational cost of model steps was less than one-twentieth of a DFT single-point calculation. PaddleMaterials extends unified materials workflows beyond conventional property, potential and structure-generation tasks while supporting verifiable cross-task operations and compiled execution.
- Abstract（参考訳）: 機械学習は材料設計、原子論シミュレーション、実験的な特徴づけをサポートするが、モデルとワークフローは断片化されている。
本研究では,多種多様な教材学習タスクを統合したオープンソースのフレームワークPaddleMaterialsについて述べる。
データ処理、トレーニング、評価、事前訓練されたモデル管理とワークフローを、プロパティ予測、構造生成、機械学習の原子間ポテンシャル、電子構造場、スペクトルの解明、顕微鏡画像処理の6つのクラスにまとめる。
タスクインターフェイスは物理量、単位、集約規約、参照を記録し、クロスタスクの構成を検証する。
共有コンパイラバックエンドは、モデル定義を変更することなく、グラフ最適化、演算子融合、ハードウェアターゲットコード生成を使用して、動的グラフから1つの設定によるコンパイル実行への切り替えを可能にする。
11グループにおける65のモデルインスタンスに対して、コンパイル実行は8グループ毎のインスタンスを加速し、グループ中央値のスピードアップは11%-224%、グループ最大値のスピードアップは11%-336%であった。
LiMnO2およびトルエン結合構造の生成やスペクトルの解明、原子間ポテンシャル緩和、特性予測、電子密度予測に関するケーススタディでは、同じ幾何学密度汎関数理論(DFT)の計算を参考にしている。
LiMnO2の場合, 生成・緩和構造の生成エネルギーは1原子あたり7mVのPBE+U基準と異なり, モデルステップの計算コストはDFT単点計算の20分の1以下であった。
PaddleMaterialsは、検証可能なクロスタスク操作とコンパイル実行をサポートしながら、従来のプロパティ、ポテンシャル、構造生成タスクを超えて、統一されたマテリアルワークフローを拡張している。
関連論文リスト
- Evaluating Local Language Model Agents for Reproducible Data Engineering: An Empirical Software Engineering Study of Mobility Workflows [74.39138492851343]
大規模言語モデル(LLM)エージェントは、ソフトウェアやデータエンジニアリングアシスタントとしてますます使われている。
ローカルオープンウェイトエージェントが正しい再現可能なデータエンジニアリングアーティファクトを作成できるかどうかを評価する。
論文 参考訳（メタデータ） (2026-10-08T08:26:46Z) - El Agente Potente: High-Throughput Agentic Atomistic Simulations [4.268668578817565]
基礎的機械学習原子間ポテンシャル(MLIP)は、計算コストのごく一部で、大規模化学空間のほぼ初期精度を達成し、原子論シミュレーションを変換している。
我々は,型付き実行グラフと補完的な符号化モードを組み合わせたエージェントシステムであるEl Agente Potenteを紹介した。
論文 参考訳（メタデータ） (2026-09-13T23:20:21Z) - OpenPRC: A Unified Open-Source Framework for Physics-to-Task Evaluation in Physical Reservoir Computing [0.23090185577016445]
このギャップを埋めるオープンソースのPythonフレームワークであるOpenPRCを紹介します。
ユニバーサルHDF5スキーマは、GPUをシミュレートし、実験的に取得したトラジェクトリを変更せずに同じ下流ワークフローに入ることを可能にする。
実証された機能には、テッセルレーションのシミュレーション、物理貯水池からのビデオベースの軌道抽出、標準化されたPRCベンチマークのための共通インターフェース、相関診断、キャパシティ分析が含まれる。
論文 参考訳（メタデータ） (2026-04-08T16:17:37Z) - Towards Agentic Intelligence for Materials Science [73.4576385477731]
この調査は、コーパスキュレーションからプレトレーニングから、シミュレーションと実験プラットフォームに面した目標条件付きエージェントまで、ユニークなパイプライン中心の視点を推し進める。
コミュニティをブリッジし、参照の共有フレームを確立するために、まず、AIと材料科学をまたいだ用語、評価、ワークフローの段階を整列する統合レンズを提示する。
論文 参考訳（メタデータ） (2026-01-29T23:48:43Z) - Ontology-aligned structuring and reuse of multimodal materials data and workflows towards automatic reproduction [1.4658400971135652]
既存のテキストマイニング手法では、関連するパラメータを含む完全計算を抽出するには不十分である。
文献からの計算密度の自動抽出と構造化のための大規模言語モデル(LLM)支援フレームワークが導入された。
このフレームワークは、公表された結果を意味的に相互運用可能な形式で整理・コンテキスト化するための基盤を提供し、それによって計算材料データの透明性と再利用性を向上させる。
論文 参考訳（メタデータ） (2026-01-18T20:51:23Z) - Leveraging Machine Learning and Enhanced Parallelism Detection for BPMN Model Generation from Text [75.77648333476776]
本稿では、テキストからBPMNモデルを抽出する自動パイプラインについて紹介する。
この研究の重要な貢献は、新たに注釈付けされたデータセットの導入である。
モデルトレーニング用の32のパラレルゲートウェイを含む15の注釈付き文書でデータセットを増強する。
論文 参考訳（メタデータ） (2025-07-11T07:25:55Z) - ChemGraph: An Agentic Framework for Computational Chemistry Workflows [0.0]
ChemGraphは人工知能と最先端のシミュレーションツールを利用したエージェントフレームワークである。
ユーザーは分子構造生成、単一点エネルギー、幾何最適化、振動解析、熱化学計算などのタスクを実行できる。
論文 参考訳（メタデータ） (2025-06-03T21:11:56Z) - Benchmarking Agentic Workflow Generation [80.74757493266057]
複数面シナリオと複雑なグラフワークフロー構造を備えた統合ワークフロー生成ベンチマークであるWorfBenchを紹介する。
また,サブシーケンスとサブグラフマッチングアルゴリズムを利用したシステム評価プロトコルWorfEvalを提案する。
我々は、生成されたタスクが下流のタスクを強化し、推論中により少ない時間で優れたパフォーマンスを達成することを観察する。
論文 参考訳（メタデータ） (2024-10-10T12:41:19Z) - Benchmark on Drug Target Interaction Modeling from a Structure Perspective [48.60648369785105]
薬物と標的の相互作用の予測は、薬物の発見と設計に不可欠である。
グラフニューラルネットワーク(GNN)やトランスフォーマーに基づく最近の手法は、さまざまなデータセットで例外的なパフォーマンスを示している。
我々は,GNNベースと暗黙的(トランスフォーマーベース)構造学習アルゴリズムを多用することにより,構造の観点からの薬物-標的相互作用モデリングの総合的な調査とベンチマークを行う。
論文 参考訳（メタデータ） (2024-07-04T16:56:59Z) - In-Context Learning of Physical Properties: Few-Shot Adaptation to Out-of-Distribution Molecular Graphs [1.8635507597668244]
コンテキスト内学習は推論中のみに非自明な機械学習タスクを実行することができる。
この研究で、我々は、イン・コンテクスト・ラーニングを利用して、配布外物質特性を予測できるだろうか?
我々は、GPT-2が幾何認識グラフニューラルネットワークの出力に作用し、コンテキスト内情報に適応する複合モデルを用いる。
論文 参考訳（メタデータ） (2024-06-03T21:59:21Z)
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。