Essence
Figure 1: Conceptual comparison of curvature supervision strategies used to train MLIPs. Left:
Hessian-vector product(HVP)을 이용한 Projected Hessian Learning(PHL)을 제안하여, 명시적 Hessian 구성 없이 곡률 정보를 효율적으로 학습에 포함시키고 MLIP 정확도를 개선함.
Evaluation
Novelty: 4/5 Technical Soundness: 3/5 Significance: 4/5 Clarity: 4/5 Overall: 4/5
총평: PHL은 Hutchinson trace estimator를 영리하게 활용하여 이차 학습의 근본적인 메모리와 계산 병목을 해결하는 실질적이고 우아한 방법론이며, 체계적인 실험과 명확한 성과를 통해 반응성 potential에서의 MLIP 개발에 실질적 기여를 제시함.
같이 보면 좋은 논문
기반 연구Hessian-vector product 기반 학습의 이론적 기초를 제공하는 선행 연구이다.
후속 연구SPECTER2 유사도 0.93로 Computational Molecular Design와 Molecular Simulation and Generative Modeling가 맞닿아, 'Projected Hessian Learning: Fast Curvature Supervision for Accurate Machine-Learning Interatomic Potentials'가 이 ICML 2026 논문의 배경·대안·응용 맥락을 보완한다.
기반 연구Hessian-vector product 기반 학습의 방법론적 기반을 제공한다
후속 연구SPECTER2 유사도 0.93 기준으로 'GenUnfold: Rapidly Predict Protein Mechanical Unfolding Trajectory via a Physics-Guided Diffusion Model'의 AI4S 방법론을 'Projected Hessian Learning: Fast Curvature Supervision for Accurate Machine-Learning Interatomic Potentials'의 과학 생산·평가 맥락과 함께 보면 연구 자동화의 의미를 입체적으로 볼 수 있다.
다른 접근MLIP 곡률 정보 학습을 위한 다른 Hessian 기반 접근법을 제시한다
후속 연구SPECTER2 유사도 0.90로 Scientific Machine Learning for Dynamics와 Molecular Simulation and Generative Modeling가 맞닿아, 'Projected Hessian Learning: Fast Curvature Supervision for Accurate Machine-Learning Interatomic Potentials'가 이 ICML 2026 논문의 배경·대안·응용 맥락을 보완한다.
후속 연구SPECTER2 유사도 0.91 기준으로 'MoSA: Motion-constrained Stress Adaptation for Mitigating Real-to-Sim Gap in Continuum Dynamics via Learning Residual Anisotropy'의 AI4S 방법론을 'Projected Hessian Learning: Fast Curvature Supervision for Accurate Machine-Learning Interatomic Potentials'의 과학 생산·평가 맥락과 함께 보면 연구 자동화의 의미를 입체적으로 볼 수 있다.
후속 연구SPECTER2 유사도 0.92 기준으로 'Riemannian MeanFlow'의 AI4S 방법론을 'Projected Hessian Learning: Fast Curvature Supervision for Accurate Machine-Learning Interatomic Potentials'의 과학 생산·평가 맥락과 함께 보면 연구 자동화의 의미를 입체적으로 볼 수 있다.
후속 연구SPECTER2 유사도 0.92로 Scientific Machine Learning for Dynamics와 Molecular Simulation and Generative Modeling가 맞닿아, 'Projected Hessian Learning: Fast Curvature Supervision for Accurate Machine-Learning Interatomic Potentials'가 이 ICML 2026 논문의 배경·대안·응용 맥락을 보완한다.
후속 연구SPECTER2 유사도 0.90로 Clinical Time-Series Modeling와 Molecular Simulation and Generative Modeling가 맞닿아, 'Projected Hessian Learning: Fast Curvature Supervision for Accurate Machine-Learning Interatomic Potentials'가 이 ICML 2026 논문의 배경·대안·응용 맥락을 보완한다.
후속 연구SPECTER2 유사도 0.89로 Scientific Machine Learning for Dynamics와 Molecular Simulation and Generative Modeling가 맞닿아, 'Projected Hessian Learning: Fast Curvature Supervision for Accurate Machine-Learning Interatomic Potentials'가 이 ICML 2026 논문의 배경·대안·응용 맥락을 보완한다.
후속 연구SPECTER2 유사도 0.92로 Scientific Machine Learning for Dynamics와 Molecular Simulation and Generative Modeling가 맞닿아, 'Projected Hessian Learning: Fast Curvature Supervision for Accurate Machine-Learning Interatomic Potentials'가 이 ICML 2026 논문의 배경·대안·응용 맥락을 보완한다.
후속 연구SPECTER2 유사도 0.89로 Scientific Machine Learning for Dynamics와 Molecular Simulation and Generative Modeling가 맞닿아, 'Projected Hessian Learning: Fast Curvature Supervision for Accurate Machine-Learning Interatomic Potentials'가 이 ICML 2026 논문의 배경·대안·응용 맥락을 보완한다.
후속 연구SPECTER2 유사도 0.92 기준으로 'G-RANS: Generalizable Residual-Aware Neural Solvers for Sparse Systems'의 AI4S 방법론을 'Projected Hessian Learning: Fast Curvature Supervision for Accurate Machine-Learning Interatomic Potentials'의 과학 생산·평가 맥락과 함께 보면 연구 자동화의 의미를 입체적으로 볼 수 있다.
후속 연구SPECTER2 유사도 0.92로 Scientific Machine Learning for Dynamics와 Molecular Simulation and Generative Modeling가 맞닿아, 'Projected Hessian Learning: Fast Curvature Supervision for Accurate Machine-Learning Interatomic Potentials'가 이 ICML 2026 논문의 배경·대안·응용 맥락을 보완한다.
후속 연구SPECTER2 유사도 0.91로 Scientific Machine Learning for Dynamics와 Molecular Simulation and Generative Modeling가 맞닿아, 'Projected Hessian Learning: Fast Curvature Supervision for Accurate Machine-Learning Interatomic Potentials'가 이 ICML 2026 논문의 배경·대안·응용 맥락을 보완한다.
후속 연구SPECTER2 유사도 0.88로 Multimodal Biomedical Data Fusion와 Molecular Simulation and Generative Modeling가 맞닿아, 'Projected Hessian Learning: Fast Curvature Supervision for Accurate Machine-Learning Interatomic Potentials'가 이 ICML 2026 논문의 배경·대안·응용 맥락을 보완한다.
후속 연구SPECTER2 유사도 0.92로 Computational Molecular Design와 Molecular Simulation and Generative Modeling가 맞닿아, 'Projected Hessian Learning: Fast Curvature Supervision for Accurate Machine-Learning Interatomic Potentials'가 이 ICML 2026 논문의 배경·대안·응용 맥락을 보완한다.
후속 연구SPECTER2 유사도 0.91로 Scientific Machine Learning for Dynamics와 Molecular Simulation and Generative Modeling가 맞닿아, 'Projected Hessian Learning: Fast Curvature Supervision for Accurate Machine-Learning Interatomic Potentials'가 이 ICML 2026 논문의 배경·대안·응용 맥락을 보완한다.
후속 연구SPECTER2 유사도 0.92 기준으로 'Learning, Solving and Optimizing PDEs with TensorGalerkin: an efficient high-performance Galerkin assembly algorithm'의 AI4S 방법론을 'Projected Hessian Learning: Fast Curvature Supervision for Accurate Machine-Learning Interatomic Potentials'의 과학 생산·평가 맥락과 함께 보면 연구 자동화의 의미를 입체적으로 볼 수 있다.
후속 연구명시적 Hessian 구성 없이 곡률 정보를 학습하는 방법을 확장한다