論文の概要: MOTIF: LLM-Defined Material Taxonomies for OOD Property Prediction via Invariant Feature Selection
- arxiv url: http://arxiv.org/abs/2611.11846v1
- Date: Mon, 09 Nov 2026 04:06:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-11 09:45:38.165999
- Title: MOTIF: LLM-Defined Material Taxonomies for OOD Property Prediction via Invariant Feature Selection
- Title(参考訳): MOTIF: LLM-Defined Materials Taxonomies for OOD Property Prediction via Invariant Feature Selection (特集:バイオサイバネティックスとバイオサイバネティックス)
- Abstract要約: アウト・オブ・ディストリビューション(OOD)の一般化は、材料特性予測において依然として中心的な課題である。
大規模言語モデル(LLM)を利用して,物質を化学的に意味のある環境に分割するフレームワークMOTIFを提案する。
- 参考スコア(独自算出の注目度): 7.969114870527627
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Out-of-distribution (OOD) generalization remains a central challenge in materials property prediction, where models must extrapolate to novel chemistries beyond the training distribution. While large language models (LLMs) have demonstrated strong scientific reasoning, their direct use for quantitative prediction remains limited. To address this, we systematically evaluate multiple roles for LLM assistance, finding that only taxonomy-based grouping consistently improves OOD generalization over a strong kNN+GBT baseline. Building on this, we here propose MOTIF, a framework that leverages LLMs not as predictors, but as generators of candidate taxonomies that partition materials into chemically meaningful environments. These taxonomies are evaluated via training-only pseudo-OOD validation, and only those that improve generalization are retained. Invariant feature selection is then applied within each accepted taxonomy, followed by gated aggregation across taxonomies. We evaluate on 2D halide perovskites, where bandgap prediction must generalize across distinct organic spacer families. On this benchmark, MOTIF reduces mean OOD MAE from 0.122 to 0.111 eV. Under a frozen dev/test protocol, the deployable configuration further improves errors from 0.123 to 0.117 eV (electronic bandgap) and from 0.181 to 0.173 eV (optical bandgap). Beyond this primary task, we validate transferability across additional materials datasets, including 3D perovskite solar cell efficiencies and Matbench benchmarks with structure-based splits. Across domains, MOTIF consistently improves robustness under distribution shift, outperforming expert-defined groupings, rule-based heuristics, and clustering baselines, while remaining competitive with strong classical selection methods. These results demonstrate that LLMs are most effective not as predictors, but as tools for discovering structure in data.
- Abstract(参考訳): アウト・オブ・ディストリビューション(OOD)の一般化は、モデルがトレーニング分布を超えた新しい化学物質に外挿しなければならない材料特性予測において、依然として中心的な課題である。
大規模言語モデル(LLM)は強力な科学的推論を証明しているが、定量予測への直接的な利用は依然として限られている。
そこで本研究では,LDM支援における複数の役割を体系的に評価し,分類に基づくグループ化のみによって,強力なkNN+GBTベースライン上でのOOD一般化が一貫して改善されることを見出した。
そこで本研究では, LLMを予測因子としてではなく, 物質を化学的に有意な環境に分割する候補分類群の生成元として活用するフレームワークであるMOTIFを提案する。
これらの分類は、トレーニングのみの擬似OOD検証によって評価され、一般化を改善するもののみが保持される。
不変な特徴選択は、それぞれの分類学に適用される。
本研究では,2次元ハロゲン化ペロブスカイトについて検討した。
このベンチマークでは、MOTIF は平均 OOD MAE を0.122 から0.111 eV に削減する。
フリーズされた開発/テストプロトコルでは、デプロイ可能な構成によりエラーは0.123から0.117 eV(電子バンドギャップ)、エラーは0.181から0.173 eV(光バンドギャップ)に改善される。
この主なタスクの他に、3Dペロブスカイト太陽電池効率や構造に基づく分割を伴うマットベンチベンチマークなど、追加の材料データセット間の転送可能性を検証する。
ドメイン全体にわたって、MOTIFは、分散シフトの下でのロバスト性、専門家定義のグルーピング、ルールに基づくヒューリスティックス、クラスタリングベースラインよりも優れる一方で、強い古典的選択手法と競争力を維持しながら、一貫して改善する。
これらの結果から,LSMは予測因子としてではなく,データ構造を発見するためのツールとして最も有効であることが示唆された。
関連論文リスト
- Tool-Augmented On-Policy Distillation for LLM Domain Adaptation in Sequence-Based Omics Tasks [72.97315136048122]
マルチオミクスシーケンスの最初の推論ベンチマークであるOmicsBenchを紹介する。
予測と科学的推論の両方を評価することが重要です
ツール強化型オン・ポリケーション (TA-OPD) を導入し, シークエンス予測とエビデンス基底の生物学的推論を一致させる。
論文 参考訳(メタデータ) (2026-09-20T08:08:34Z) - When to Adapt: Conditional Memory Adapters for Retention-Preserving Domain Specialization [2.3717692810269586]
本稿では,フリーズLDMのためのポストホックアダプタとして,事前学習時の条件記憶を再利用するフレームワークであるEngram Adapterを提案する。
局所的なn-gramパターンに対するマルチチャネルマッチングと、それ以前の軽量な選択性として、明示的な占有率追跡を使用する。
我々はAG-NewsとMedMCQAによるQwen3-4BとQwen3-8Bを、推論、翻訳、コード生成、法的推論にまたがるOODベンチマークとして評価した。
論文 参考訳(メタデータ) (2026-08-29T15:13:57Z) - PCQA-R1: Advancing Generalized 3D Point Cloud Quality Assessment with Reinforcement Learning [51.75061005702151]
ノンリファレンスポイントクラウド品質アセスメント(PCQA)は近年活発なトピックであり、ポイントクラウドの視覚的エクスペリエンスの測定と最適化に使用されている。
本稿では,3次元点雲質評価のための最初の強化学習LMMであるPCQA-R1について述べる。
論文 参考訳(メタデータ) (2026-08-19T07:21:58Z) - Rethinking Molecular OOD Generalization via Target-Aware Source Selection [10.102858221967791]
SCOPE-BENCHは、明示的な物理化学的記述空間におけるクラスタレベルのパーティショニングに基づいて構築されたベンチマークである。
POMAは、知識伝達を検索-合成-適応パイプラインとして定式化するフレームワークである。
SCOPE-BENCHにおける最先端の3D分子モデルの予測誤差は平均5.9倍である。
論文 参考訳(メタデータ) (2026-05-13T16:09:46Z) - Foundation-Model Surrogates Enable Data-Efficient Active Learning for Materials Discovery [12.870479903068665]
In-Context Active Learningは従来のサロゲートをTabPFNに置き換える。
TabPFNは、何百万もの合成回帰タスクで事前訓練されたトランスフォーマーベースの基礎モデルである。
強力な小さなデータレグレッションパフォーマンスと、十分にキャリブレーションされた予測の不確実性を提供します。
論文 参考訳(メタデータ) (2026-03-13T01:57:09Z) - PREBA: Surgical Duration Prediction via PCA-Weighted Retrieval-Augmented LLMs and Bayesian Averaging Aggregation [51.96735866702332]
PreBAはPCA重み付き検索とベイズ平均アグリゲーションを統合した検索拡張フレームワークである。
例えば、PreBAはパフォーマンスを大幅に改善し、MAEを最大40%削減し、ゼロショット推論でR2を-0.13から0.62に引き上げる。
論文 参考訳(メタデータ) (2026-02-27T07:19:23Z) - Can Molecular Foundation Models Know What They Don't Know? A Simple Remedy with Preference Optimization [54.22711328577149]
既存の基盤モデルと柔軟に統合可能なプラグイン・アンド・プレイモジュールである,分子適応型参照インスタンスランキング(Mole-PAIR)を導入する。
本手法は既存の分子基盤モデルのOOD検出能力を著しく向上することを示す。
論文 参考訳(メタデータ) (2025-09-29T21:06:52Z) - LANTERN: A Machine Learning Framework for Lipid Nanoparticle Transfection Efficiency Prediction [22.613971394957368]
効率的な脂質ナノ粒子(LNP)を介するRNA輸送のための新しいイオン化可能な脂質は、RNAベースの治療開発において重要なボトルネックとなっている。
近年の進歩は、分子構造からの透過効率を予測する機械学習(ML)の可能性を強調している。
ここでは, イオン化可能な脂質表現に基づく透過効率予測のための堅牢なMLフレームワークであるLANTERNを提案する。
論文 参考訳(メタデータ) (2025-07-03T22:49:49Z) - Revisiting Out-of-distribution Robustness in NLP: Benchmark, Analysis,
and LLMs Evaluations [111.88727295707454]
本稿では,NLP分野におけるアウト・オブ・ディストリビューション(OOD)のロバスト性に関する研究を再検討する。
本稿では, 明確な分化と分散の困難さを保証するための, ベンチマーク構築プロトコルを提案する。
我々は,OODロバスト性の分析と評価のための事前学習言語モデルの実験を行った。
論文 参考訳(メタデータ) (2023-06-07T17:47:03Z)
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。