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

• 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)
• 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)
• Generative Inverse Design of Crystal Structures via Diffusion Models with Transformers [1.2289361708127877]
  有望な性質を持つ新しい無機材料は、科学的にも工業的にも重要な課題である。 有望な性質を持つ新しい無機材料の発見は、科学的にも工業的にも重要な課題である。 そこで本研究では,トランスフォーマーアーキテクチャに基づくバックボーンを用いた,結晶構造の生成的逆設計のための新しいタイプの拡散モデルについて検討する。
  論文  参考訳（メタデータ） (2024-06-13T16:03:15Z)
• Generative Design of Crystal Structures by Point Cloud Representations and Diffusion Model [9.011625935805927]
  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 [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)
• 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)
• 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)

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。