論文の概要: Crystal structure prediction with machine learning-based element
substitution
- arxiv url: http://arxiv.org/abs/2201.11188v1
- Date: Wed, 26 Jan 2022 21:06:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-29 04:49:30.473911
- Title: Crystal structure prediction with machine learning-based element
substitution
- Title(参考訳): 機械学習に基づく元素置換による結晶構造予測
- Authors: Minoru Kusaba, Chang Liu, Ryo Yoshida
- Abstract要約: 与えられた化学組成によって形成されるエネルギー的に安定な結晶構造の予測は、固体物理学における中心的な問題である。
本稿では,メカニカルラーニングと呼ばれる機械学習アルゴリズムを利用した結晶構造予測の一手法を提案する。
未知の結晶構造を持つ所定のクエリ合成では、テンプレート結晶の集合を結晶構造データベースから自動的に選択する。
- 参考スコア(独自算出の注目度): 5.613512701893759
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The prediction of energetically stable crystal structures formed by a given
chemical composition is a central problem in solid-state physics. In principle,
the crystalline state of assembled atoms can be determined by optimizing the
energy surface, which in turn can be evaluated using first-principles
calculations. However, performing the iterative gradient descent on the
potential energy surface using first-principles calculations is prohibitively
expensive for complex systems, such as those with many atoms per unit cell.
Here, we present a unique methodology for crystal structure prediction (CSP)
that relies on a machine learning algorithm called metric learning. It is shown
that a binary classifier, trained on a large number of already identified
crystal structures, can determine the isomorphism of crystal structures formed
by two given chemical compositions with an accuracy of approximately 96.4\%.
For a given query composition with an unknown crystal structure, the model is
used to automatically select from a crystal structure database a set of
template crystals with nearly identical stable structures to which element
substitution is to be applied. Apart from the local relaxation calculation of
the identified templates, the proposed method does not use ab initio
calculations. The potential of this substation-based CSP is demonstrated for a
wide variety of crystal systems.
- Abstract(参考訳): 化学組成によって形成されるエネルギー的に安定な結晶構造の予測は、固体物理学の中心的な問題である。
原理上、集積原子の結晶状態はエネルギー面を最適化することで決定でき、第一原理計算を用いて評価することができる。
しかし、第一原理計算を用いたポテンシャルエネルギー表面の反復勾配降下は、単位セル当たりの原子数が多いような複雑なシステムでは、極めて高価である。
本稿では,メカニカルラーニングと呼ばれる機械学習アルゴリズムに依存する結晶構造予測(CSP)のユニークな手法を提案する。
多数の既に同定済みの結晶構造に基づいて訓練された二元分類器は、約96.4\%の精度で2つの化学組成によって形成される結晶構造の同型を決定できることが示されている。
未知の結晶構造を持つ与えられた問合せ合成に対して、モデルを用いて、要素置換が適用されるほぼ同一の安定した構造を持つテンプレート結晶の集合を結晶構造データベースから自動的に選択する。
同定されたテンプレートの局所緩和計算とは別に,提案手法では ab initio 計算を使わない。
このサブステーションベースのCSPのポテンシャルは、様々な結晶系で実証されている。
関連論文リスト
- 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) - 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) - Shotgun crystal structure prediction using machine-learned formation
energies [0.0]
組み立てられた原子の安定あるいは準安定な結晶構造は、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によって予測できる。
ここでは,簡単な機械学習ワークフローを用いて,結晶構造予測問題の解決に大きな進歩を遂げた。
本手法は, 結晶状態の高精度なエネルギー予測を可能にする伝達学習という, 2つの重要な技術要素に依存している。
論文 参考訳(メタデータ) (2023-05-03T14:46:16Z) - Equivariant Parameter Sharing for Porous Crystalline Materials [4.271235935891555]
既存の結晶特性予測法は、制限的すぎる制約を持つか、単位細胞間で対称性を組み込むのみである。
我々は、結晶の単位セルの対称性をアーキテクチャに組み込んだモデルを開発し、多孔質構造を明示的にモデル化する。
提案手法は, 既存の結晶特性予測法よりも優れた性能を示し, 対称性の包含によりより効率的なモデルが得られることを確認した。
論文 参考訳(メタデータ) (2023-04-04T08:33:13Z) - 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) - Optimal radial basis for density-based atomic representations [58.720142291102135]
データセットの構造的多様性を最も効率的に表現するために選択される適応的で最適な数値ベースを構築する方法について議論します。
トレーニングデータセットごとに、この最適なベースはユニークで、プリミティブベースに関して追加のコストなしで計算することができる。
この構成が精度と計算効率のよい表現をもたらすことを実証する。
論文 参考訳(メタデータ) (2021-05-18T17:57:08Z) - Crystal structure prediction of materials with high symmetry using
differential evolution [0.5249805590164902]
本稿では, 遺伝的アルゴリズムを用いて, 予測された構造物の接点マップと実構造物の接点マップとのマッチングを最大化するために, 接点マップに基づく結晶構造予測法を提案する。
結晶構造を高対称性で予測する際、大域最適化アルゴリズムは化学式を満たすWPの効果的な組み合わせを見つけるのが困難であることがわかった。
提案するアルゴリズムCMCrystalHSは,不整合接触地図次元の問題を効果的に解き,高対称性の結晶構造を予測できる。
論文 参考訳(メタデータ) (2021-04-20T05:10:19Z) - An invertible crystallographic representation for general inverse design
of inorganic crystals with targeted properties [10.853822721106205]
一般逆設計(所与の要素や結晶構造に限らず)が可能な枠組みを提案する。
このフレームワークは、ユーザが定義した形成エネルギー、バンドギャップ、熱電(TE)パワーファクター、およびそれらの組み合わせを備えた新しい結晶を生成する。
結果は、生成モデルを用いたプロパティ駆動の一般逆設計に向けた重要なステップである。
論文 参考訳(メタデータ) (2020-05-15T15:58:31Z)
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。