論文の概要: Accurate predictions of properties of energetic materials with tabular foundation models
- arxiv url: http://arxiv.org/abs/2611.14462v2
- Date: Thu, 12 Nov 2026 15:23:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:32.916117
- Title: Accurate predictions of properties of energetic materials with tabular foundation models
- Title(参考訳): 表層基礎モデルによるエネルギー材料の特性の正確な予測
- Abstract要約: 我々はTabPFNを用いてエネルギー材料の3つの特性を予測する。
XGBoostよりも桁違いに高速なモデルだ。
特徴を重要度でランク付けするShapley値を用いて予測を解釈する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We use TabPFN, a recently developed tabular foundation model, to predict three properties of energetic materials: impact sensitivity, decomposition temperature and crystal density. Without any hyperparameter tuning, TabPFN outperforms the best published models for all three properties. It also substantially outperforms a wide range of established machine-learning models, including tuned gradient boosting (XGBoost), random forests and Gaussian processes. This holds both when the models are given hand-crafted molecular descriptors and when they are given learned representations from Chemprop's message-passing neural network. In particular, for all three properties, TabPFN applied to Chemprop's own embedding is more accurate than Chemprop's predictions. TabPFN is also among the fastest models we consider, more than an order of magnitude faster than XGBoost. As TabPFN predicts the entire distribution of the target rather than just a single value, it offers built-in uncertainty quantification, which we compare with the empirical distributions of compounds with repeated measurements. Finally, we interpret the predictions using Shapley values, which rank the features by their importance.
- Abstract(参考訳): 我々は最近開発された表状基礎モデルであるTabPFNを用いて、衝撃感度、分解温度、結晶密度の3つの特性を予測した。
ハイパーパラメータチューニングがなければ、TabPFNは3つの特性で最高のモデルよりも優れている。
また、チューニングされた勾配向上(XGBoost)、ランダムな森林、ガウス過程など、幅広い確立された機械学習モデルよりも大幅に優れています。
これは、モデルが手作りの分子記述子を与えられたときと、Chempropのメッセージパッシングニューラルネットワークから学習された表現が与えられたときの両方に当てはまる。
特に、3つの性質全てに対して、TabPFNはチェムプロップ自身の埋め込みに適用され、チェムプロップの予測よりも正確である。
TabPFNは、XGBoostよりも桁違いに高速なモデルだ。
TabPFNは1つの値ではなく、ターゲット全体の分布を予測するため、組み込まれている不確実性の定量化を提供し、繰り返し測定された化合物の経験的分布と比較する。
最後に、特徴を重要度でランク付けするShapley値を用いて、予測を解釈する。
関連論文リスト
- Robust and Interpretable Adaptation of Equivariant Materials Foundation Models via Sparsity-promoting Fine-tuning [48.04423567569116]
そこで本研究では,モデルパラメータを選択的に更新するスポーシティ・プロモーティング・ファインチューニング手法を提案する。
エネルギーおよび力の予測タスクにおいて、本手法は完全な微調整および等変低ランク適応に適合するか、超越する。
本研究は, 同種材料基盤モデルのドメイン特殊化のためのフレキシブルかつ解釈可能な手法として, 疎性促進ファインタニングを確立した。
論文 参考訳(メタデータ) (2026-06-17T05:10:18Z) - Zatom-1: A Multimodal Flow Foundation Model for 3D Molecules and Materials [51.342983349686556]
汎用的な3Dケミカルモデリングは分子や材料を含み、生成能力と予測能力の両方を必要とする。
Zatom-1は、3D分子や材料の生成的および予測的学習を統一する、エンド・ツー・エンドの完全なオープンソース基盤モデルである。
論文 参考訳(メタデータ) (2026-02-24T20:52:39Z) - TerraBind: Fast and Accurate Binding Affinity Prediction through Coarse Structural Representations [0.7891868017562221]
本稿では,タンパク質リガンド構造と結合親和性予測の基礎モデルTerraBindを提案する。
最新の手法よりも26倍高速な推論を実現し、親和性予測精度を$sim$20%向上させる。
論文 参考訳(メタデータ) (2026-02-08T00:01:43Z) - InstructPLM-mu: 1-Hour Fine-Tuning of ESM2 Beats ESM3 in Protein Mutation Predictions [54.19843038028329]
InstructPLM-muと呼ばれる微調整フレームワークを提案する。
構造入力を持つ細調整ESM2はESM3に匹敵する性能が得られることを示す。
論文 参考訳(メタデータ) (2025-10-03T07:42:22Z) - Optimal message passing for molecular prediction is simple, attentive and spatial [0.0]
分子特性予測のためのメッセージパッシングニューラルネットの予測性能を改善するための戦略が達成される。
我々は、外部データベースで事前訓練されたモデルなど、より複雑なモデルを上回る、最先端のパフォーマンスを実現するモデルを設計する。
論文 参考訳(メタデータ) (2025-09-13T15:55:02Z) - Pure Component Property Estimation Framework Using Explainable Machine Learning Methods [4.8601239628666635]
結合行列に基づく分子表現法は、原子結合関係を効果的に考慮し、特徴を自動生成する。
ニューラルネットワークとガウス過程回帰モデルを用いて, 通常の沸点 (Tb), 液体モル体積, 臨界温度 (Tc) および臨界圧力 (Pc) の予測結果を得た。
モデルの解釈可能性を高めるために,Shapley値に基づく特徴解析手法を用いて特性予測への各特徴の寄与を決定する。
論文 参考訳(メタデータ) (2025-05-14T20:21:23Z) - Molecule Design by Latent Prompt Transformer [76.2112075557233]
本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。
本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
論文 参考訳(メタデータ) (2024-02-27T03:33:23Z) - Prediction of liquid fuel properties using machine learning models with
Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。
これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。
その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
論文 参考訳(メタデータ) (2021-10-18T14:43:50Z) - An Interpretable Probabilistic Model for Short-Term Solar Power
Forecasting Using Natural Gradient Boosting [0.0]
本稿では,高精度で信頼性が高く,鋭い予測を生成できる2段階確率予測フレームワークを提案する。
このフレームワークは、ポイント予測と予測間隔(PI)の両方について完全な透明性を提供する。
提案フレームワークの性能と適用性を強調するため,南ドイツにある2つのPV公園の実際のデータを用いている。
論文 参考訳(メタデータ) (2021-08-05T12:59:38Z) - Predicting Elastic Properties of Materials from Electronic Charge
Density Using 3D Deep Convolutional Neural Networks [5.249388761037709]
本稿では,電子電荷密度(ECD)を材料特性予測のための汎用的な3次元記述子として用いることを提案する。
ECDを用いた3次元畳み込みニューラルネットワーク(CNN)を開発し,材料の弾性特性を予測した。
論文 参考訳(メタデータ) (2020-03-17T06:21:36Z)
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。