Fugu-MT 論文翻訳(概要): Crystal structure prediction with machine learning-based element substitution

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

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)
AlphaCrystal-II: Distance matrix based crystal structure prediction using deep learning [4.437756445215657]
このAlphaCrystal-IIは、既存の結晶構造に見られる原子間相互作用パターンを多用した、知識に基づく新しいソリューションである。既知の結晶構造の原子間関係の富を生かして、構造予測における顕著な有効性と信頼性を示す。
論文参考訳（メタデータ） (2024-04-07T05:17:43Z)
Space Group Informed Transformer for Crystalline Materials Generation [2.405914457225118]
本稿では, 変圧器を用いた自己回帰モデルであるCrystalFormerを紹介した。空間群対称性の組み入れは結晶空間を著しく単純化し、結晶材料のデータおよび効率的な生成モデリングの計算に不可欠である。
論文参考訳（メタデータ） (2024-03-23T06:01:45Z)
Complete and Efficient Graph Transformers for Crystal Material Property Prediction [53.32754046881189]
結晶構造は、3次元空間の正則格子に沿って繰り返される原始単位セル内の原子塩基によって特徴づけられる。本稿では,各原子の格子に基づく表現を確立するために,単位細胞の周期パターンを利用する新しい手法を提案する。結晶材料に特化して設計されたSE(3)トランスであるComFormerを提案する。
論文参考訳（メタデータ） (2024-03-18T15:06:37Z)
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)
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 [3.2563787689949133]
組み立てられた原子の結晶構造は、原子配置の広い空間内で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で予測できる。本稿では,結晶構造予測問題の解決に向けた大きな進展を示す。我々は,機械学習エネルギー予測器を備えた仮想結晶構造の大規模なライブラリを用いて,非定常単発スクリーニングを行った。
論文参考訳（メタデータ） (2023-05-03T14:46:16Z)
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)
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)

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。