論文の概要: Crystal Diffusion Variational Autoencoder for Periodic Material
Generation
- arxiv url: http://arxiv.org/abs/2110.06197v1
- Date: Tue, 12 Oct 2021 17:49:49 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-13 15:27:43.228711
- Title: Crystal Diffusion Variational Autoencoder for Periodic Material
Generation
- Title(参考訳): 周期材料生成のための結晶拡散変分オートエンコーダ
- Authors: Tian Xie, Xiang Fu, Octavian-Eugen Ganea, Regina Barzilay, Tommi
Jaakkola
- Abstract要約: 本稿では, 物質安定性の誘導バイアスを捉える結晶拡散変分オートコーダ(CDVAE)を提案する。
安定物質のデータ分布から学習することにより、デコーダは拡散過程に物質を生成し、原子座標を低いエネルギー状態へ移動させる。
1)入力構造を再構築し,2)有効で多様な,現実的な材料を生成し,3)特定の特性を最適化する材料を生成する。
- 参考スコア(独自算出の注目度): 29.558155407825115
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generating the periodic structure of stable materials is a long-standing
challenge for the material design community. This task is difficult because
stable materials only exist in a low-dimensional subspace of all possible
periodic arrangements of atoms: 1) the coordinates must lie in the local energy
minimum defined by quantum mechanics, and 2) global stability also requires the
structure to follow the complex, yet specific bonding preferences between
different atom types. Existing methods fail to incorporate these factors and
often lack proper invariances. We propose a Crystal Diffusion Variational
Autoencoder (CDVAE) that captures the physical inductive bias of material
stability. By learning from the data distribution of stable materials, the
decoder generates materials in a diffusion process that moves atomic
coordinates towards a lower energy state and updates atom types to satisfy
bonding preferences between neighbors. Our model also explicitly encodes
interactions across periodic boundaries and respects permutation, translation,
rotation, and periodic invariances. We significantly outperform past methods in
three tasks: 1) reconstructing the input structure, 2) generating valid,
diverse, and realistic materials, and 3) generating materials that optimize a
specific property. We also provide several standard datasets and evaluation
metrics for the broader machine learning community.
- Abstract(参考訳): 安定材料の周期構造の生成は、材料設計コミュニティにとって長年の課題である。
この仕事は、安定な物質は原子の全ての可能な周期配置の低次元部分空間にのみ存在するため難しい。
1) 座標は、量子力学によって定義される局所エネルギーの最小値でなければならない。
2) 大域的安定性はまた、構造が異なる原子タイプ間の複雑だが特定の結合嗜好に従う必要がある。
既存の手法ではこれらの因子を取り入れられず、しばしば適切な不変性が欠けている。
本稿では,物質安定性の物理的帰納バイアスを捉える結晶拡散変分オートコーダ(CDVAE)を提案する。
安定物質のデータ分布から学習することにより、デコーダは、原子座標を低いエネルギー状態へ移動させ、隣同士の結合性を満たすために原子タイプを更新する拡散過程において材料を生成する。
我々のモデルは、周期的境界を越えて相互作用を明示的に符号化し、置換、翻訳、回転、周期的不変性を尊重する。
我々は過去のメソッドを3つのタスクで大幅に上回ります。
1)入力構造の再構築
2)有効で多種多様で現実的な材料を生成して
3) 特定の性質を最適化する材料の生成。
また、幅広い機械学習コミュニティのために、いくつかの標準データセットと評価指標も提供しています。
関連論文リスト
- Efficient Symmetry-Aware Materials Generation via Hierarchical Generative Flow Networks [52.13486402193811]
新しい固体材料は、結晶構造の広大な空間を急速に探索し、安定した領域を探索する必要がある。
既存の手法では、大きな材料空間を探索し、望ましい特性と要求を持った多様なサンプルを生成するのに苦労している。
本研究では, 材料空間の対称性を効果的に活用し, 所望の特性を持つ結晶構造を生成するために, 階層的探索戦略を用いた新しい生成モデルを提案する。
論文 参考訳(メタデータ) (2024-11-06T23:53:34Z) - Unleashing the power of novel conditional generative approaches for new materials discovery [3.972733741872872]
結晶構造設計問題に対する2つの生成的アプローチを提案する。
1つは条件付き構造変化であり、最もエネルギー的に好ましい構造と全てのより安定なポリモルフィックの間のエネルギー差を利用する。
もう1つは条件付き構造の生成であり、最もエネルギー的に好ましい構造と、その全てのより安定したポリモルフィックの間のエネルギー差を利用する。
論文 参考訳(メタデータ) (2024-11-05T14:58:31Z) - FlowMM: Generating Materials with Riemannian Flow Matching [16.68310253042657]
両タスクの最先端性能を実現するための生成モデルであるFlowMMを提案する。
われわれのフレームワークは,フローベース分布の選択の自由を可能とし,結晶構造学習の問題を劇的に単純化する。
標準ベンチマークに加えて, 量子化学計算によるFlowMMの生成構造を検証した。
論文 参考訳(メタデータ) (2024-06-07T07:46:23Z) - Response Matching for generating materials and molecules [0.0]
本稿では、応答マッチング(RM)と呼ばれる新しい生成手法を提案する。
RMは原子間相互作用の局所性を利用しており、本質的には置換、翻訳、回転、周期的不変性を尊重している。
3つのシステムにわたるRMの効率性と一般化を実証する。
論文 参考訳(メタデータ) (2024-05-15T03:08:21Z) - 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) - Towards Symmetry-Aware Generation of Periodic Materials [64.21777911715267]
本稿では,周期構造体の物理対称性を捉える新しい物質生成手法であるSyMatを提案する。
SyMatは、変分オートエンコーダモデルを用いて、原子タイプセット、格子長、格子角を生成することによって、材料の原子タイプと格子を生成する。
我々は,SyMatが材料上のすべての対称性変換に理論的に不変であることを示し,SyMatがランダム生成および特性最適化タスクにおいて有望な性能を達成することを示す。
論文 参考訳(メタデータ) (2023-07-06T01:05:34Z) - Fold2Seq: A Joint Sequence(1D)-Fold(3D) Embedding-based Generative Model
for Protein Design [70.27706384570723]
Fold2Seqは特定の標的に条件付きタンパク質配列を設計するための新しいフレームワークである。
Fold2Seqの性能は, シーケンス設計の速度, カバレッジ, 信頼性において向上したか, 同等であったかを示す。
フォールドベースのFold2Seqの独特な利点は、構造ベースのディープモデルやRosettaDesignと比較して、3つの現実世界の課題においてより明確になる。
論文 参考訳(メタデータ) (2021-06-24T14:34:24Z) - SPANet: Generalized Permutationless Set Assignment for Particle Physics
using Symmetry Preserving Attention [62.43586180025247]
大型ハドロン衝突型加速器の衝突は、観測された粒子の可変サイズの集合を生成する。
崩壊生成物の物理対称性は、観測された粒子の崩壊生成物の割り当てを複雑にする。
本稿では,対称性を保った注目ネットワークを構築するための新しい手法を提案する。
論文 参考訳(メタデータ) (2021-06-07T18:18:20Z) - Predicting Material Properties Using a 3D Graph Neural Network with
Invariant Local Descriptors [0.4956709222278243]
材料特性を正確に予測することは新しい材料の発見と設計に不可欠である。
機械学習の手法の中で、グラフ畳み込みニューラルネットワーク(GCNN)が最も成功したものの一つである。
隣接原子間の相互作用を3次元空間で同時にモデル化する,新規な畳み込みを持つ適応型GCNNを提案する。
論文 参考訳(メタデータ) (2021-02-16T19:56:54Z) - 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。