論文の概要: CRYSPNet: Crystal Structure Predictions via Neural Network
- arxiv url: http://arxiv.org/abs/2003.14328v1
- Date: Tue, 31 Mar 2020 16:05:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-18 01:42:32.997514
- Title: CRYSPNet: Crystal Structure Predictions via Neural Network
- Title(参考訳): CRYSPNet:ニューラルネットワークによる結晶構造予測
- Authors: Haotong Liang, Valentin Stanev, A. Gilad Kusne, Ichiro Takeuchi
- Abstract要約: 結晶構造予測に機械学習を利用した代替手法を提案する。
我々は, 無機材料のブラベイス格子, 空間群, 格子パラメータを予測できる結晶構造予測ネットワーク(CRYSPNet)を開発した。
無機結晶構造データベース(Inorganic Crystal Structure Database)から10万以上のエントリでトレーニングされ、検証された。
- 参考スコア(独自算出の注目度): 14.930208990741129
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Structure is the most basic and important property of crystalline solids; it
determines directly or indirectly most materials characteristics. However,
predicting crystal structure of solids remains a formidable and not fully
solved problem. Standard theoretical tools for this task are computationally
expensive and at times inaccurate. Here we present an alternative approach
utilizing machine learning for crystal structure prediction. We developed a
tool called Crystal Structure Prediction Network (CRYSPNet) that can predict
the Bravais lattice, space group, and lattice parameters of an inorganic
material based only on its chemical composition. CRYSPNet consists of a series
of neural network models, using as inputs predictors aggregating the properties
of the elements constituting the compound. It was trained and validated on more
than 100,000 entries from the Inorganic Crystal Structure Database. The tool
demonstrates robust predictive capability and outperforms alternative
strategies by a large margin. Made available to the public (at
https://github.com/AuroraLHT/cryspnet), it can be used both as an independent
prediction engine or as a method to generate candidate structures for further
computational and/or experimental validation.
- Abstract(参考訳): 構造は結晶性固体の最も基本的かつ重要な性質であり、直接的または間接的にほとんどの材料特性を決定する。
しかし、固体の結晶構造を予測することは、恐ろしい問題であり、完全には解決されていない。
このタスクの標準的な理論ツールは計算コストが高く、時には不正確である。
本稿では,機械学習を用いた結晶構造予測手法を提案する。
本研究では,無機材料のブラベイ格子,空間群,格子パラメータを化学組成のみに基づいて予測できる結晶構造予測ネットワーク (cryspnet) というツールを開発した。
CRYSPNetは一連のニューラルネットワークモデルで構成され、化合物を構成する要素の特性を集約する入力予測器として使用される。
無機結晶構造データベースから10万以上のエントリをトレーニングし、検証した。
このツールは堅牢な予測能力を示し、代替戦略を大きなマージンで上回る。
https://github.com/AuroraLHT/cryspnetで公開されており、独立した予測エンジンや、さらなる計算および/または実験的検証のための候補構造を生成する方法として使用できる。
関連論文リスト
- Scalable Diffusion for Materials Generation [110.39595661627155]
我々は任意の結晶構造(ユニマット)を表現できる統一された結晶表現を開発する。
UniMatはより大型で複雑な化学系から高忠実度結晶構造を生成することができる。
材料の生成モデルを評価するための追加指標を提案する。
論文 参考訳(メタデータ) (2023-10-18T15:49:39Z) - Latent Conservative Objective Models for Data-Driven Crystal Structure
Prediction [62.36797874900395]
計算化学において、結晶構造予測は最適化問題である。
この問題に対処する1つのアプローチは、密度汎関数理論(DFT)に基づいてシミュレータを構築し、続いてシミュレーションで探索を実行することである。
我々は,LCOM(最近の保守的客観モデル)と呼ばれる我々の手法が,構造予測の成功率の観点から,最も優れたアプローチと同等に機能することを示す。
論文 参考訳(メタデータ) (2023-10-16T04:35:44Z) - Crystal-GFN: sampling crystals with desirable properties and constraints [103.79058968784163]
本稿では,結晶構造の生成モデルであるCrystal-GFNを紹介する。
本稿では,MatBenchで学習した新しいプロキシ機械学習モデルにより予測された結晶構造の原子1個あたりの生成エネルギーを目的として利用する。
その結果、Crystal-GFNは低(中間-3.1 eV/原子)で生成エネルギーが予測される非常に多様な結晶をサンプリングできることが示された。
論文 参考訳(メタデータ) (2023-10-07T21:36:55Z) - DeepCrysTet: A Deep Learning Approach Using Tetrahedral Mesh for
Predicting Properties of Crystalline Materials [0.0]
材料特性を予測するための新しい深層学習手法であるDeepCrysTetを提案する。
DeepCrysTetは、Delaunay四面体化によって生成される3次元四面体メッシュとして表される結晶構造を用いる。
実験により、DeepCrysTetは既存のGNNモデルよりも結晶構造の分類や弾性特性の予測における最先端性能に優れていた。
論文 参考訳(メタデータ) (2023-09-07T05:23:52Z) - Shotgun crystal structure prediction using machine-learned formation
energies [0.0]
組み立てられた原子の安定あるいは準安定な結晶構造は、エネルギー表面の大域的または局所的なミニマを見つけることによって予測できる。
ここでは,簡単な機械学習ワークフローを用いて,結晶構造予測問題の解決に大きな進歩を遂げた。
本手法は, 結晶状態の高精度なエネルギー予測を可能にする伝達学習という, 2つの重要な技術要素に依存している。
論文 参考訳(メタデータ) (2023-05-03T14:46:16Z) - CrysGNN : Distilling pre-trained knowledge to enhance property
prediction for crystalline materials [25.622724168215097]
本稿では結晶材料のための新しいトレーニング済みGNNフレームワークであるCrysGNNについて述べる。
これは、未ラベルの材料データを用いて、結晶グラフのノードレベルとグラフレベルの構造情報をキャプチャする。
我々は、事前訓練されたモデルから知識を抽出することで、全てのSOTAアルゴリズムがベニラバージョンを良好なマージンで上回ることができることを示す広範囲な実験を行った。
論文 参考訳(メタデータ) (2023-01-14T08:12:01Z) - Neural Structure Fields with Application to Crystal Structure
Autoencoders [10.680545976155173]
本稿では,ニューラルネットワークを用いた結晶構造を表現するための高精度かつ実用的なアプローチとして,ニューラル構造体(NeSF)を提案する。
NeSFは空間分解能と計算複雑性のトレードオフを克服し、任意の結晶構造を表現することができる。
ペロブスカイト構造材料や銅酸化物超伝導体などの結晶構造を復元できる結晶構造のオートエンコーダを提案する。
論文 参考訳(メタデータ) (2022-12-08T16:41:41Z) - Privacy-preserving machine learning with tensor networks [50.591267188664666]
テンソルネットワークアーキテクチャは、特にプライバシー保護機械学習に期待できる特性を持つことを示す。
まず、フィードフォワードニューラルネットワークに存在する新たなプライバシ脆弱性を説明し、それを合成および実世界のデータセットで説明する。
このような条件がテンソルネットワークアーキテクチャによって満たされていることを厳密に証明する。
論文 参考訳(メタデータ) (2022-02-24T19:04:35Z) - Transfer Learning for Protein Structure Classification at Low Resolution [124.5573289131546]
タンパク質のクラスとアーキテクチャの正確な(geq$80%)予測を、低い(leq$3A)解像度で決定された構造から行うことができることを示す。
本稿では, 高速で低コストなタンパク質構造を低解像度で分類するための概念実証と, 機能予測への拡張の基礎を提供する。
論文 参考訳(メタデータ) (2020-08-11T15:01:32Z) - CSNE: Conditional Signed Network Embedding [77.54225346953069]
署名されたネットワークは、友人/フォアや信頼/不信のようなエンティティ間の正と負の関係を符号化する。
サイン予測のための既存の埋め込み手法は、一般に最適化関数におけるステータスやバランス理論の異なる概念を強制する。
条件付き符号付きネットワーク埋め込み(CSNE)を導入する。
我々の確率論的アプローチは、きめ細かな詳細とは別途、ネットワーク内の記号に関する構造情報をモデル化する。
論文 参考訳(メタデータ) (2020-05-19T19:14:52Z)
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。