論文の概要: KolTa: A Physics-Informed Active Learning Framework for Formulation Discovery with Limited Data

• arxiv url: http://arxiv.org/abs/2611.06394v1
• Date: Wed, 04 Nov 2026 11:59:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:58.100208
• Title: KolTa: A Physics-Informed Active Learning Framework for Formulation Discovery with Limited Data
• Title（参考訳）: KolTa: 限定データによる定式化発見のための物理インフォームドアクティブラーニングフレームワーク
• Abstract要約: KolTaはアクティブな学習フレームワークで、バッチを選択して、ターゲット温度での定式化のトップ5%を検出する。 物理平衡上信頼境界(PRC-UCB)の取得規則は、予測効用、アンサンブルの不一致、およびターゲット温度の物理残差を組み合わせたものである。 本研究では, 2成分混合粘度, 薬物溶解度, イオン液体粘度, 電解質伝導率の3つの測定課題と1つの模擬課題について検討した。
• 参考スコア（独自算出の注目度）: 5.417551452242833
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Finding high-performing formulations is difficult when few have been measured and experimental budgets are limited. We propose KolTa, an active learning framework that selects batches to discover the top 5% of formulations at a target temperature under a fixed query budget. KolTa combines a three-stage predictor of component contributions, role-conditioned interactions, and anchored temperature response with task-specific soft physics constraints. Its Physics-Residual-Calibrated Upper Confidence Bound (PRC-UCB) acquisition rule combines predicted utility, ensemble disagreement, and a target-temperature physics residual, with nonnegative exploration weights fitted to out-of-fold signed errors. We evaluate the framework on three measured tasks and one simulated task covering binary-mixture viscosity, drug solubility, ionic-liquid viscosity, and electrolyte conductivity. KolTa ranks first or second in mean area under the learning curve (AULC) on every task and outperforms seven of the eight comparator strategies in paired tests, winning 75 of 78 paired comparisons across tasks and seeds against those seven strategies. Across the three measured tasks, its largest gap to the best mean AULC is 0.032, compared with at least 0.056 for every comparator. On Drug, reaching 80% average recovery of the remaining targets across drugs requires an estimated median of 348 additional formulation queries, about 18% fewer than the fastest comparator. Researchers can adapt the framework to diverse formulation problems through component roles and physical constraints.
• Abstract（参考訳）: ほとんど測定されておらず、実験予算が限られている場合、高い性能の定式化を見つけることは困難である。 提案するKolTaは,バッチを選択して,所定のクエリ予算の下で,目標温度での定式化の上位5%を探索する,能動的学習フレームワークである。 KolTaは、成分寄与の3段階予測器、役割条件付き相互作用、およびタスク固有のソフト物理制約による温度応答の固定を組み合わせた。 物理平衡上信頼境界(PRC-UCB)取得規則は、予測効用、アンサンブル不一致、および目標温度の物理残差と、非負の探索重みが符号外誤りに適合する。 本研究では, 2成分混合粘度, 薬物溶解度, イオン液体粘度, 電解質伝導率の3つの測定課題と1つの模擬課題について検討した。 KolTaは、各タスクにおける学習曲線(AULC)の平均領域で1位または2位であり、ペアテストで8つのコンパレータ戦略のうち7つを上回り、これらの7つの戦略に対して、タスクとシード間で78のペア比較で75位を獲得した。 3つの測定タスクの中で、AULCの最大のギャップは0.032であり、全てのコンパレータで0.056である。 薬物については、薬物全体の残りの標的の80%を平均的に回復させるには、348の新たな定式化クエリーが必要であり、最も高速なコンパレータよりも約18%少ない。 研究者は、コンポーネントの役割や物理的な制約を通じて、様々な定式化問題にフレームワークを適用することができる。

関連論文リスト

• Brain-Behavior Modeling from Multimodal MRI using Opportunistic Pretraining and Common-Cohort Adaptation [1.9600566014761407]
  2段階トレーニングでは,27例中24例において平均判定係数(R2)が増加した。 タスク+停止状態とトリモーダルアンサンブルは、すべてのターゲットに対する絶対誤差を低減します。
  論文  参考訳（メタデータ） (2026-10-28T06:46:26Z)
• LLM4Robot-Bench: How Far Can GPT-6 Astra Go in Robotic Manipulation? A Hierarchical, Paired Sim-Real Benchmark [62.531369168779776]
  コンタクトリッチな操作における物理的相互作用能力を評価するためのベンチマークを導入する。 16世帯の課題は、接触選択と幾何アライメント(L1)、持続接触(L2)内の力規制、協調接触再構成と力規制(L3)の3つの累積レベルにまたがる。 16のタスクのうち10のタスクは同じ成功率で、残りの6つのタスクは3つのトライアルのうち1つの成功によって異なる。
  論文  参考訳（メタデータ） (2026-10-25T19:41:02Z)
• Bayesian Test-Time Inference of Task-Aligned Similarity from Weak Interactive Feedback [50.42640957891911]
  言語モデルシステムは、類似性を比較することで、繰り返しテスト時の決定を行う。 しかし、類似性はユニークではない:語彙、意味、構造、類似性はNの選択点を取得することができる。 本稿では,現在の意思決定を統括するトレーニングフリーベイズ手法であるAxis Interactive Signalsを紹介する。
  論文  参考訳（メタデータ） (2026-10-13T16:19:49Z)
• Benchmarking Self-Supervised 3D Medical Vision Foundation Models and Transferability Estimation [57.65266782182578]
  セルフ教師付き事前トレーニングは、3D医療基盤モデルのプールを拡張したが、異なるデータセット、エンドポイント、微調整プロトコルを使用した評価を公表した。 14のセグメンテーション、分類、回帰タスク、複数の解剖学とモダリティにまたがる23の候補をベンチマークした。 3モデルショートリストは、7つのセグメンテーションタスクで記録された抜粋+訓練ジョブ時間を85.8%削減した。
  論文  参考訳（メタデータ） (2026-10-13T01:52:19Z)
• Coarse composition suffices: tabular in-context learning for multi-activity antimicrobial peptide profiling [2.571440349338848]
  単純なシーケンスのみのパイプラインは、マルチモーダルな構造条件のディープモデルにマッチし、超えられることを示す。 ESCAPE (82,359 peptides; 5 labels)では、ラベル・パワーセットのTabPFNモデルがmAP-5 = 77.8%を達成する。
  論文  参考訳（メタデータ） (2026-08-31T06:50:09Z)
• SC3: The Multi-Solvent Solubility Challenge and Benchmark [11.51982791748735]
  このベンチマークはBigSolDB v2.1上に構築され、3つのコントリビューションがある。 私たちは、このギャップがテスト対象のディープな代替案によって隠されているのを観察します。 データスケーリング、量子化学溶解エネルギーからの移動、特徴レベルの帰属の3つの追従解析を行う。
  論文  参考訳（メタデータ） (2026-06-03T08:57:00Z)
• When Does Context Help? A Systematic Study of Target-Conditional Molecular Property Prediction [0.0]
  ターゲットコンテキストが分子特性の予測に役立っているかに関する最初の体系的研究。 NestDrugはFiLMベースのアーキテクチャで、ターゲットのアイデンティティに分子表現を設定できる。 最初の厳密な証拠は、文脈条件分子表現が将来の化学空間に一般化されることである。
  論文  参考訳（メタデータ） (2026-04-08T01:19:16Z)
• Towards a Science of Scaling Agent Systems [79.64446272302287]
  エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。 協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。 ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
  論文  参考訳（メタデータ） (2025-12-09T06:52:21Z)

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。