論文の概要: Sample-efficient prediction of high-entropy alloy strength through outcome-aware robust sequential learning
- arxiv url: http://arxiv.org/abs/2611.18462v1
- Date: Fri, 13 Nov 2026 17:29:27 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:29:36.329169
- Title: Sample-efficient prediction of high-entropy alloy strength through outcome-aware robust sequential learning
- Title(参考訳): 結果認識型ロバストシーケンシャル学習による高エントロピー合金の強度のサンプル効率予測
- Abstract要約: 本研究では, 合金組成と加工条件から究極引張強度(UTS)を予測するための試料効率の枠組みを提案する。
参照ドメイン全体で残っている最悪の予測リスクを再評価し、情報的候補を選択する。
平均根平均二乗誤差(RMSE)は152.84 MPaで、R2は0.7443である。
- 参考スコア(独自算出の注目度): 1.5057775716552344
- License:
- Abstract: Accurate prediction of high-entropy alloy (HEA) strength can guide composition and processing decisions; however, obtaining tensile-test data for HEAs can be costly and experimentally demanding. This study proposes Robust Outcome-aware Sequential Experimentation for High-Entropy Alloys (ROSE-HEA), a sample-efficient framework for predicting ultimate tensile strength (UTS) from alloy composition and processing conditions. Its acquisition policy anticipates how possible UTS outcomes update predictions and the support for complementary Gaussian process (GP) descriptions. It then reassesses the worst-case expected predictive risk remaining across a reference domain to select informative candidates. A retrospective evaluation on 501 HEA records compares ROSE-HEA with expected-improvement (EI) and upper-confidence-bound (UCB) Bayesian optimization (BO), random GP sampling, and eight conventional regressors across 30 matched runs with shared initial observations and test conditions. Starting from 25 initial observations and acquiring 100 additional responses, ROSE-HEA achieves the lowest mean root-mean-square error (RMSE), at 152.84 MPa, and the highest mean R^2, at 0.7443. Mean RMSE is reduced by 6.16% and 6.37% relative to EI and UCB, respectively. The selected observations improve prediction across six regressor families and provide broader design-space coverage. ROSE-HEA also surpasses the strongest conventional regressor's mean predictive performance using 125 rather than 185 observations, corresponding to 32.4% fewer training observations. These findings demonstrate the potential of outcome-aware robust sequential learning to improve UTS prediction in HEAs under constrained training budgets.
- Abstract(参考訳): 高エントロピー合金(HEA)強度の正確な予測は、組成と加工決定を導くことができるが、HEAの引張試験データを得るにはコストがかかり実験的に要求される。
本研究は,高エントロピー合金(ROSE-HEA)のロバスト出力を考慮した逐次実験であり,合金組成と加工条件から究極引張強度(UTS)を予測するための試料効率のよいフレームワークである。
買収方針は、UTSの結果がどのように予測を更新するかを予測し、相補的なガウス過程(GP)記述をサポートする。
その後、参照ドメイン全体で残る最悪の予測リスクを再評価して、情報的候補を選択する。
ROSE-HEAと予測改善(EI)と高信頼度バウンド(UCB)ベイズ最適化(BO)、ランダムGPサンプリング、および30回のランにまたがる8つの従来の回帰器を、共通の初期観測と試験条件で比較した。
ROSE-HEAは25個の初期観測から100個の追加反応を取得し、最低平均根平均二乗誤差(RMSE)は152.84 MPa、最高平均R^2は0.7443である。
平均RMSEは、それぞれEIとUCBと比較して6.16%と6.37%減少する。
選択された観測結果により、6つの回帰家の予測が改善し、より広い設計空間のカバレッジが提供される。
ROSE-HEAは185回の観測よりも125回の平均予測性能を上回り、32.4%のトレーニング観測を減らした。
これらの結果は、制約付きトレーニング予算下でのHEAにおけるUTS予測を改善するために、結果対応の頑健な逐次学習の可能性を示している。
関連論文リスト
- MORA: Correcting Time Series Forecasts with Coarse Future Signals [10.301419481015497]
本稿では, 追加入力を必要とせず, 凍結予測器の出力を改良するモデル非依存残差アダプタMORAを提案する。
MORAは、バックボーン固有の残留物を直接予測するのではなく、構造外挿と学習された推定を通じてターゲットシーケンスのセグメントワイズ平均を推定する。
論文 参考訳(メタデータ) (2026-11-11T12:36:58Z) - Single-step Retrosynthesis via Reinforcement Learning from Forward Feedback [17.74766587422697]
単段階の逆合成は1対多の逆問題であるが、ほとんどのモデルは単一の記録された反応集合に対して訓練され評価される。
本稿では,RetroRLFFを提案する。RetroRLFFは参照一致と対象製品との前方整合の両方を用いて反応生成を最適化する。
USPTO-50Kでは、RetroRLFFは候補レベルのラウンドトリップ精度がk = 1, 3, 5, 10で14のベースライン全てを上回っている。
論文 参考訳(メタデータ) (2026-10-10T19:37:17Z) - RSI-Anything: Unlocking Recursive Self-Improvement with World Models [76.79361510862277]
RSI-AnythingはJEPA-Anything上に構築されたドメイン・ジェネラル・フレームワークである。
予測ワールドモデルを使用して、アクションと学習データの選択をガイドする。
コード修復では、コーダーが固定され、静的検証器で成功率は26.3%から予測選択により29.2%に増加する。
論文 参考訳(メタデータ) (2026-10-09T17:50:30Z) - Proper Scoring Rule-based Diffusion for Probabilistic Weather Forecasting [59.015610520217734]
我々は,コンテキストとその劣化バージョンから,同じ将来状態を予測できる補助的条件記述タスクを導入する。
推測時には、予測器は、完全に破損したエンドポイントにおいて、単一の前方通過で各アンサンブル部材を生成することができる。
論文 参考訳(メタデータ) (2026-09-29T22:47:10Z) - Can Language Models Learn to Forecast Stock Prices [64.57057883175987]
ポストトレーニングでは、検証可能な結果のタスクにおける言語モデルの性能が大幅に向上することが示されている。
ポストトレーニングは、財務予測性能を大幅に改善できることを示す。
論文 参考訳(メタデータ) (2026-09-29T07:34:39Z) - 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) - STAR : Bridging Statistical and Agentic Reasoning for Large Model Performance Prediction [78.0692157478247]
本稿では,知識駆動型エージェント推論を用いて,データ駆動型静的予測を橋渡しするフレームワークSTARを提案する。
STARはスコアベースとランクベースの両方の基準線を一貫して上回ることを示す。
論文 参考訳(メタデータ) (2026-02-12T16:30:07Z) - d-TreeRPO: Towards More Reliable Policy Optimization for Diffusion Language Models [45.27333046908981]
emphd-TreeRPOは、dLLMのための信頼できる強化学習フレームワークである。
我々は,emphd-TreeRPOが複数の推論ベンチマークで大きく向上していることを示す。
論文 参考訳(メタデータ) (2025-12-10T14:20:07Z) - RLP: Reinforcement as a Pretraining Objective [103.45068938532923]
我々は,情報駆動型強化事前訓練の目的として,強化学習のコアスピリットである探索を,事前訓練の最終段階に導くことを提案する。
このトレーニングの目的は、モデルが次に何が起こるかを予測する前に、自分自身で考えることを奨励し、事前学習の早い段階で独立した思考行動を教えることである。
特に、RLPは、通常のテキストにおける事前学習対象としての推論のための強化学習を再構築し、次のトーケン予測と有用な連鎖推論の出現の間のギャップを埋める。
論文 参考訳(メタデータ) (2025-09-26T17:53:54Z) - Improving Prediction Certainty Estimation for Reliable Early Exiting via Null Space Projection [16.838728310658105]
本稿では,Certainty-Aware Probability (CAP)スコアに基づく新しい早期退避手法を提案する。
本研究では,各タスクの平均高速化率は2.19倍であり,性能劣化は無視できることを示す。
論文 参考訳(メタデータ) (2025-06-08T05:08:34Z) - Forecast reconciliation for vaccine supply chain optimization [61.13962963550403]
ワクチンサプライチェーン最適化は階層的な時系列予測の恩恵を受けることができる。
異なる階層レベルの予測は、上位レベルの予測が下位レベルの予測の総和と一致しないときに不整合となる。
我々は2010年から2021年にかけてのGSKの販売データを階層的時系列としてモデル化し,ワクチン販売予測問題に取り組む。
論文 参考訳(メタデータ) (2023-05-02T14:34:34Z)
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。