論文の概要: Physics Guided Generative Adversarial Networks for Generations of
Crystal Materials with Symmetry Constraints
- arxiv url: http://arxiv.org/abs/2203.14352v1
- Date: Sun, 27 Mar 2022 17:21:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-30 10:31:10.038491
- Title: Physics Guided Generative Adversarial Networks for Generations of
Crystal Materials with Symmetry Constraints
- Title(参考訳): 対称性制約を持つ結晶材料生成のための物理ガイド生成逆ネットワーク
- Authors: Yong Zhao, Edirisuriya M. Dilanga Siriwardane, Zhenyao Wu, Ming Hu,
Nihang Fu, and Jianjun Hu
- Abstract要約: 新たな材料生成のための物理ガイド結晶生成モデル(PGCGM)を提案する。
物質の塩基性原子サイトを増大させることで、20個の空間群からなる新しい物質を生成できる。
本手法により, 発電機の有効性は, ベースラインの8倍に向上する。
- 参考スコア(独自算出の注目度): 9.755053639966185
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Discovering new materials is a long-standing challenging task that is
critical to the progress of human society. Conventional approaches such as
trial-and-error experiments and computational simulations are labor-intensive
or costly with their success heavily depending on experts' heuristics. Recently
deep generative models have been successfully proposed for materials generation
by learning implicit knowledge from known materials datasets, with performance
however limited by their confinement to a special material family or failing to
incorporate physical rules into the model training process. Here we propose a
Physics Guided Crystal Generative Model (PGCGM) for new materials generation,
which captures and exploits the pairwise atomic distance constraints among
neighbor atoms and symmetric geometric constraints. By augmenting the base atom
sites of materials, our model can generates new materials of 20 space groups.
With atom clustering and merging on generated crystal structures, our method
increases the generator's validity by 8 times compared to one of the baselines
and by 143\% compared to the previous CubicGAN along with its superiority in
properties distribution and diversity. We further validated our generated
candidates by Density Functional Theory (DFT) calculation, which successfully
optimized/relaxed 1869 materials out of 2000, of which 39.6\% are with negative
formation energy, indicating their stability.
- Abstract(参考訳): 新たな素材の発見は、人類社会の進歩に不可欠な長年にわたる課題である。
試行錯誤実験や計算シミュレーションのような従来のアプローチは、専門家のヒューリスティックスに大きく依存する、労働集約的あるいはコストがかかる。
近年, 資料データセットから暗黙的な知識を学習し, 特定の資料群に制限されたり, 物理的ルールをモデル学習プロセスに組み込まなかったりして, 資料生成に成功している。
本稿では、隣り合う原子と対称的な幾何学的制約の対の原子間距離制約を捕捉し、活用する新しい材料生成のための物理ガイド結晶生成モデル(PGCGM)を提案する。
材料の基本原子サイトを増強することにより,20個の宇宙グループからなる新しい材料を生成できる。
生成結晶構造上でのアトムクラスタリングとマージにより, 生成体の有効性は1つのベースラインと比較して8倍, 従来の立方体ganと比較して143\%向上し, 特性分布と多様性に優れる。
さらに,2000 年から 1869 材料を最適化・相対化することに成功し,39.6 %が負の生成エネルギーを持つ密度汎関数理論 (dft) 計算により,生成候補の安定性を検証した。
関連論文リスト
- Structural Constraint Integration in Generative Model for Discovery of Quantum Material Candidates [27.416978540039878]
遺伝子モデル(SCIGEN)における構造制約の統合について紹介する。
プロトタイプの制約としてアルキメデス格子を用いて800万の化合物を生成し, 10%以上の安定性が維持されている。
量子材料の性質は幾何学的パターンと密接に関連しているため、SCIGENは量子材料候補を生成するための一般的な枠組みを提供することを示す。
論文 参考訳(メタデータ) (2024-07-05T14:42:54Z) - Fine-Tuned Language Models Generate Stable Inorganic Materials as Text [57.01994216693825]
テキストエンコードされた原子構造データに基づく微調整された大規模言語モデルは、実装が簡単で信頼性が高い。
我々の最強モデルは、CDVAEの約2倍の速度で準安定であると予測された物質を生成することができる。
テキストプロンプト固有の柔軟性のため、我々のモデルは安定物質を無条件に生成するために同時に使用することができる。
論文 参考訳(メタデータ) (2024-02-06T20:35:28Z) - MatterGen: a generative model for inorganic materials design [20.119976243451216]
本稿では,周期表上で安定かつ多様な無機物質を生成するモデルであるMatterGenを提案する。
MatterGenが生成した以前の生成モデルと比較すると、新規で安定な構造になる確率は2倍以上である。
磁気密度の高い構造と,サプライチェーンリスクの低い化学組成を兼ね備えた多目的材料設計能力を実証した。
論文 参考訳(メタデータ) (2023-12-06T18:52:16Z) - 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) - 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) - Data-driven discovery of novel 2D materials by deep generative models [0.0]
結晶拡散変分オートエンコーダ (CDVAE) は, 高化学・構造多様性の2次元材料を生成可能であることを示す。
合計で11630個の新しい2D材料が発見され、そのうち8599個が種構造としてデルタH_mathrmhull 0.3$ eV/atomを保有している。
論文 参考訳(メタデータ) (2022-06-24T08:42:58Z) - Latent Diffusion Energy-Based Model for Interpretable Text Modeling [104.85356157724372]
本稿では,拡散モデルと潜時空間ESMの共生を変動学習フレームワークで導入する。
我々は,学習した潜在空間の品質を向上させるために,情報ボトルネックと合わせて幾何学的クラスタリングに基づく正規化を開発する。
論文 参考訳(メタデータ) (2022-06-13T03:41:31Z) - Normalizing flows for atomic solids [67.70049117614325]
原子状固体をモデル化するための正規化フローに基づく機械学習手法を提案する。
我々は,単原子水としてモデル化された立方晶および六角形氷のヘルムホルツ自由エネルギー推定と,切り離されたレナード・ジョーンズ系について報告する。
以上の結果から, 結晶形状に制約を加えることなく, 流動の正規化により, 固体の高品質な試料と自由エネルギー推定が可能であることが示唆された。
論文 参考訳(メタデータ) (2021-11-16T18:54:49Z) - BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。
ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
論文 参考訳(メタデータ) (2021-06-08T10:14:57Z)
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。