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

• Generative Hierarchical Materials Search [91.93125016916463]
  結晶構造の制御可能な生成のための生成階層材料探索(GenMS)を提案する。 GenMSは(1)高レベル自然言語を入力とし、結晶に関する中間テキスト情報を生成する言語モデルからなる。 GenMSはまた、生成された結晶構造から特性(たとえば生成エネルギー)を予測するためにグラフニューラルネットワークを使用する。
  論文  参考訳（メタデータ） (2024-09-10T17:51:28Z)
• CrysAtom: Distributed Representation of Atoms for Crystal Property Prediction [0.0]
  物質科学の文献では、結晶性物質がトポロジカルな構造を示すことはよく知られている。 本稿では,原子の密度ベクトル表現を生成するために,無相関結晶データを用いた教師なしフレームワーク,CrysAtomを提案する。
  論文  参考訳（メタデータ） (2024-09-07T06:58:55Z)
• A Space Group Symmetry Informed Network for O(3) Equivariant Crystal Tensor Prediction [89.38877696273364]
  結晶材料の一般的な引張特性の予測について考察する。 本稿では,必要な対称性を満たすために慎重に設計された汎用材料ネットワーク(GMTNet)を提案する。 実験の結果, GMTNetは様々な順序の結晶テンソル上で有望な性能を達成できた。
  論文  参考訳（メタデータ） (2024-06-03T16:26:16Z)
• Complete and Efficient Graph Transformers for Crystal Material Property Prediction [53.32754046881189]
  結晶構造は、3次元空間の正則格子に沿って繰り返される原始単位セル内の原子塩基によって特徴づけられる。 本稿では,各原子の格子に基づく表現を確立するために,単位細胞の周期パターンを利用する新しい手法を提案する。 結晶材料に特化して設計されたSE(3)トランスであるComFormerを提案する。
  論文  参考訳（メタデータ） (2024-03-18T15:06:37Z)
• Scalable Diffusion for Materials Generation [99.71001883652211]
  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 [3.2563787689949133]
  組み立てられた原子の結晶構造は、原子配置の広い空間内で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で予測できる。 本稿では,結晶構造予測問題の解決に向けた大きな進展を示す。 我々は,機械学習エネルギー予測器を備えた仮想結晶構造の大規模なライブラリを用いて,非定常単発スクリーニングを行った。
  論文  参考訳（メタデータ） (2023-05-03T14:46:16Z)
• 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)

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。