परिवहन नवीनता दूरी: सामग्री उत्पादक मॉडल के मूल्यांकन के लिए एक वितरणात्मक मीट्रिक

arXiv:2512.09514v1 घोषणा प्रकार: क्रॉस सार: जेनरेटिव मशीन लर्निंग में हालिया प्रगति ने नवीन सामग्रियों की खोज और डिजाइन के लिए नई संभावनाएं खोली हैं। हालाँकि, जैसे-जैसे ये मॉडल अधिक परिष्कृत होते गए हैं, कठोर और सार्थक मूल्यांकन मेट्रिक्स की आवश्यकता बढ़ गई है। मौजूदा मूल्यांकन दृष्टिकोण अक्सर उत्पन्न संरचनाओं की गुणवत्ता और नवीनता दोनों को पकड़ने में विफल होते हैं, जिससे वास्तविक जेनरेटर प्रदर्शन का आकलन करने की हमारी क्षमता सीमित हो जाती है। इस पेपर में, हम उत्पन्न सामग्रियों की गुणवत्ता और नवीनता द्वारा संयुक्त रूप से सामग्रियों की खोज के लिए उपयोग किए जाने वाले जेनेरिक मॉडल का आकलन करने के लिए ट्रांसपोर्ट नॉवेल्टी डिस्टेंस (टीएनओवीडी) का परिचय देते हैं। इष्टतम परिवहन सिद्धांत के विचारों के आधार पर, टीएनओवीडी प्रशिक्षण और उत्पन्न सेट की विशेषताओं के बीच एक युग्मन का उपयोग करता है, जिसे एक सीमा तक गुणवत्ता और याद रखने की व्यवस्था में परिष्कृत किया जाता है। ग्राफ़ न्यूरल नेटवर्क का उपयोग करके क्रिस्टल संरचनाओं से सुविधाएँ उत्पन्न की जाती हैं, जिन्हें कंट्रास्टिव लर्निंग का उपयोग करके सामग्रियों, उनके संवर्धित समकक्षों और अलग-अलग आकार के सुपरसेल के बीच अंतर करने के लिए प्रशिक्षित किया जाता है। हम क्रिस्टल संरचना भविष्यवाणी के लिए प्रासंगिक विशिष्ट खिलौना प्रयोगों पर हमारे प्रस्तावित मीट्रिक का मूल्यांकन करते हैं, जिसमें संस्मरण, शोर इंजेक्शन और जाली विरूपण शामिल हैं। इसके अतिरिक्त, हम MP20 सत्यापन सेट और WBM प्रतिस्थापन डेटासेट पर TNovD को मान्य करते हैं, यह दर्शाते हुए कि यह याद किए गए और निम्न-गुणवत्ता वाले सामग्री डेटा दोनों का पता लगाने में सक्षम है। हम कई लोकप्रिय सामग्री उत्पादक मॉडलों के प्रदर्शन को भी बेंचमार्क करते हैं। सामग्री के लिए पेश किए जाने के दौरान, हमारा टीएनओवीडी ढांचा डोमेन-अज्ञेयवादी है और इसे छवियों और अणुओं जैसे अन्य क्षेत्रों के लिए अनुकूलित किया जा सकता है।