論文の概要: Physics guided deep learning generative models for crystal materials
discovery
- arxiv url: http://arxiv.org/abs/2112.03528v1
- Date: Tue, 7 Dec 2021 06:54:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-08 16:03:21.492305
- Title: Physics guided deep learning generative models for crystal materials
discovery
- Title(参考訳): 結晶材料発見のための物理誘導深層学習生成モデル
- Authors: Yong Zhao, Edirisuriya MD Siriwardane, Jianjun Hu
- Abstract要約: Deepfakeのようなディープラーニングベースの生成モデルは、素晴らしい画像やビデオを生成することができる。
ここでは, 物理的指向性データ拡張の活用と付加により, 我々のディープ・逆数ネットワーク(GAN)に基づく生成モデルにより, より高い物理実現性を持つ結晶構造を生成可能であることを示す。
- 参考スコア(独自算出の注目度): 7.7755483163557155
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Deep learning based generative models such as deepfake have been able to
generate amazing images and videos. However, these models may need significant
transformation when applied to generate crystal materials structures in which
the building blocks, the physical atoms are very different from the pixels.
Naively transferred generative models tend to generate a large portion of
physically infeasible crystal structures that are not stable or synthesizable.
Herein we show that by exploiting and adding physically oriented data
augmentation, loss function terms, and post processing, our deep adversarial
network (GAN) based generative models can now generate crystal structures with
higher physical feasibility and expand our previous models which can only
create cubic structures.
- Abstract(参考訳): deepfakeのようなディープラーニングベースの生成モデルでは、素晴らしい画像やビデオを生成できます。
しかし、これらのモデルは、建築ブロック、物理原子がピクセルと非常に異なる結晶構造を生成するために、大きな変換を必要とするかもしれない。
ナトリウム転移生成モデルは、安定あるいは合成不可能な物理的に実現不可能な結晶構造の大部分を生成する傾向にある。
本稿では, 物理指向型データ拡張, 損失関数項, ポストプロセッシングを活用することで, 我々の深層対角ネットワーク(GAN)に基づく生成モデルは, より高い物理実現性を持つ結晶構造を生成でき, 従来のモデルを拡張して立方体構造を生成できることを示す。
関連論文リスト
- A Phase Transition in Diffusion Models Reveals the Hierarchical Nature
of Data [55.748186000425996]
最近の進歩は、拡散モデルが高品質な画像を生成することを示している。
我々はこの現象を階層的なデータ生成モデルで研究する。
本分析は拡散モデルにおける時間とスケールの関係を特徴付ける。
論文 参考訳(メタデータ) (2024-02-26T19:52:33Z) - Generative Design of Crystal Structures by Point Cloud Representations
and Diffusion Model [9.463520412544812]
本稿では, 点雲表現を利用して構造情報を符号化し, 合成可能な材料を生成するための枠組みを提案する。
我々の研究は、材料設計と合成の進歩への重要な貢献である。
論文 参考訳(メタデータ) (2024-01-24T02:36:52Z) - 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) - 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) - Evaluating the diversity and utility of materials proposed by generative
models [38.85523285991743]
本稿では, 逆設計プロセスの一部として, 物理誘導結晶生成モデルという, 最先端の生成モデルを用いる方法を示す。
本研究は, 逆設計を改善するために, 生成モデルをどのように改善するかを示唆する。
論文 参考訳(メタデータ) (2023-08-09T14:42:08Z) - Unified Model for Crystalline Material Generation [9.940728137241214]
結晶格子と原子位置で同時に作用する2つの統一モデルを提案する。
我々のモデルは、熱力学的安定性に到達するために総エネルギーを下げることで任意の結晶の変形を学習することができる。
論文 参考訳(メタデータ) (2023-06-07T15:23:59Z) - 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) - Generative Deformable Radiance Fields for Disentangled Image Synthesis
of Topology-Varying Objects [52.46838926521572]
3D認識生成モデルは、モノクロ2D画像の集合から3Dニューラル放射場(NeRF)を生成するスーパーブパフォーマンスを実証した。
本研究では, トポロジー変化物体の放射場を非交絡形状と外観変化で合成する生成モデルを提案する。
論文 参考訳(メタデータ) (2022-09-09T08:44:06Z) - How to See Hidden Patterns in Metamaterials with Interpretable Machine
Learning [82.67551367327634]
我々は,材料単位セルのパターンを見つけるための,解釈可能な多分解能機械学習フレームワークを開発した。
具体的には、形状周波数特徴と単位セルテンプレートと呼ばれるメタマテリアルの2つの新しい解釈可能な表現を提案する。
論文 参考訳(メタデータ) (2021-11-10T21:19:02Z) - Physics-Integrated Variational Autoencoders for Robust and Interpretable
Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。
本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。
合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文 参考訳(メタデータ) (2021-02-25T20:28:52Z)
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。