論文の概要: Crystal Structure Search with Random Relaxations Using Graph Networks
- arxiv url: http://arxiv.org/abs/2012.02920v2
- Date: Tue, 8 Dec 2020 02:01:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-22 11:58:32.148126
- Title: Crystal Structure Search with Random Relaxations Using Graph Networks
- Title(参考訳): グラフネットワークを用いたランダム緩和による結晶構造探索
- Authors: Gowoon Cheon, Lusann Yang, Kevin McCloskey, Evan J. Reed and Ekin D.
Cubuk
- Abstract要約: 物質の化学式に対する原子結晶構造の予測は、長年にわたる大きな挑戦である。
我々はLi-Si電池陽極材料のランダムな構造緩和のデータセットを構築した。
我々はランダム構造の緩和をシミュレートするためにグラフニューラルネットワークを訓練する。
- 参考スコア(独自算出の注目度): 6.918493795610175
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Materials design enables technologies critical to humanity, including
combating climate change with solar cells and batteries. Many properties of a
material are determined by its atomic crystal structure. However, prediction of
the atomic crystal structure for a given material's chemical formula is a
long-standing grand challenge that remains a barrier in materials design. We
investigate a data-driven approach to accelerating ab initio random structure
search (AIRSS), a state-of-the-art method for crystal structure search. We
build a novel dataset of random structure relaxations of Li-Si battery anode
materials using high-throughput density functional theory calculations. We
train graph neural networks to simulate relaxations of random structures. Our
model is able to find an experimentally verified structure of Li15Si4 it was
not trained on, and has potential for orders of magnitude speedup over AIRSS
when searching large unit cells and searching over multiple chemical
stoichiometries. Surprisingly, we find that data augmentation of adding
Gaussian noise improves both the accuracy and out of domain generalization of
our models.
- Abstract(参考訳): 材料設計は、太陽電池や電池で気候変動に対処するなど、人類にとって重要な技術を可能にする。
材料の多くの性質は、その原子結晶構造によって決定される。
しかし、ある材料の化学式に対する原子結晶構造の予測は、材料設計における障壁として長く続く大きな課題である。
結晶構造探索のための最先端手法である ab initio random structure search (airss) の高速化のためのデータ駆動アプローチについて検討した。
高出力密度汎関数理論計算を用いたLi-Si電池陽極材料のランダムな構造緩和のデータセットを構築した。
我々はランダム構造の緩和をシミュレートするためにグラフニューラルネットワークを訓練する。
我々のモデルは、トレーニングされていないLi15Si4の実験的に検証された構造を見つけることができ、大きな単位細胞を探索し、複数の化学組織を探索する際に、AIRSSよりも桁違いに高速になる可能性がある。
驚くべきことに、ガウスノイズを付加するデータの拡張は、モデルの精度と領域の一般化の両方を改善します。
関連論文リスト
- Towards End-to-End Structure Solutions from Information-Compromised
Diffraction Data via Generative Deep Learning [6.617784410952713]
機械学習(ML)とディープラーニング(DL)は、既に知られている構造を持つ大規模データベースから学習した事前知識を用いて、劣化した入力信号の情報を増大させるため、有望なアプローチである。
ここでは、この問題にエンドツーエンドで対処する堅牢だが汎用的なツールである、バラツキクエリベースのマルチブランチディープニューラルネットワークである、新しいMLアプローチを提案する。
このシステムは、既知の化学組成情報と部分的に知られている化学組成情報の両方で、目に見えない素材の真実と平均9.3.4%の類似性を達成している。
論文 参考訳(メタデータ) (2023-12-23T02:17:27Z) - Stoichiometry Representation Learning with Polymorphic Crystal
Structures [54.65985356122883]
確率論記述子は、構造的な情報を持たない特定の化合物を形成するために関係する要素間の比を明らかにすることができる。
本稿では,手軽に利用できる構造情報を利用して,確率論の確率的表現を学習するPolySRLを提案する。
論文 参考訳(メタデータ) (2023-11-17T20:34:28Z) - Data Distillation for Neural Network Potentials toward Foundational
Dataset [6.373914211316965]
生成モデルは 迅速に 対象のアプリケーションに 有望な材料を提案できる
しかし、生成モデルによる材料の予測特性は、アブイニシアト計算によって計算された性質と一致しないことが多い。
本研究は, 拡張アンサンブル分子動力学(MD)を用いて, 金属系, ニッケル中の液相および固相の幅広い構成を確保した。
蒸留データからトレーニングしたNNPは,これらの構造が初期データの一部ではないにもかかわらず,異なるエネルギー最小化クローズパック結晶構造を予測できることがわかった。
論文 参考訳(メタデータ) (2023-11-09T14:41:45Z) - 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) - Data-Driven Score-Based Models for Generating Stable Structures with
Adaptive Crystal Cells [1.515687944002438]
本研究は, 化学安定性や化学組成など, 新しい結晶構造を創出することを目的としている。
提案手法の新規性は、結晶細胞の格子が固定されていないという事実にある。
対称性の制約を尊重し、計算上の優位性をもたらす多グラフ結晶表現が導入された。
論文 参考訳(メタデータ) (2023-10-16T02:53:24Z) - 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) - Disentangling multiple scattering with deep learning: application to
strain mapping from electron diffraction patterns [48.53244254413104]
我々は、高非線形電子回折パターンを定量的構造因子画像に変換するために、FCU-Netと呼ばれるディープニューラルネットワークを実装した。
結晶構造の異なる組み合わせを含む20,000以上のユニークな動的回折パターンを用いてFCU-Netを訓練した。
シミュレーションされた回折パターンライブラリ、FCU-Netの実装、訓練されたモデルの重み付けは、オープンソースリポジトリで自由に利用可能です。
論文 参考訳(メタデータ) (2022-02-01T03:53:39Z) - Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。
モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。
その結果,クロスバリデーションにより予測精度が期待できることがわかった。
論文 参考訳(メタデータ) (2020-05-27T13:32:10Z)
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。