論文の概要: Data-driven discovery of novel 2D materials by deep generative models

• arxiv url: http://arxiv.org/abs/2206.12159v1
• Date: Fri, 24 Jun 2022 08:42:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-27 22:24:20.007589
• Title: Data-driven discovery of novel 2D materials by deep generative models
• Title（参考訳）: 深部生成モデルによる新規2次元材料の発見
• Authors: Peder Lyngby and Kristian Sommer Thygesen
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Efficient algorithms to generate candidate crystal structures with good stability properties can play a key role in data-driven materials discovery. Here we show that a crystal diffusion variational autoencoder (CDVAE) is capable of generating two-dimensional (2D) materials of high chemical and structural diversity and formation energies mirroring the training structures. Specifically, we train the CDVAE on 2615 2D materials with energy above the convex hull $\Delta H_{\mathrm{hull}}< 0.3$ eV/atom, and generate 5003 materials that we relax using density functional theory (DFT). We also generate 14192 new crystals by systematic element substitution of the training structures. We find that the generative model and lattice decoration approach are complementary and yield materials with similar stability properties but very different crystal structures and chemical compositions. In total we find 11630 predicted new 2D materials, where 8599 of these have $\Delta H_{\mathrm{hull}}< 0.3$ eV/atom as the seed structures, while 2004 are within 50 meV of the convex hull and could potentially be synthesized. The relaxed atomic structures of all the materials are available in the open Computational 2D Materials Database (C2DB). Our work establishes the CDVAE as an efficient and reliable crystal generation machine, and significantly expands the space of 2D materials.
• Abstract（参考訳）: 安定性の優れた結晶構造を効率的に生成するアルゴリズムは、データ駆動材料の発見において重要な役割を果たす。 ここでは, 結晶拡散変分オートエンコーダ(CDVAE)が, 高化学・構造多様性の2次元材料を生成し, トレーニング構造を反映した形成エネルギーを生成可能であることを示す。 具体的には、CDVAEを2615個の2D材料に、凸殻より上のエネルギーで訓練し、密度汎関数理論(DFT)を用いて緩和する5003個の材料を生成する。 また, トレーニング構造の組織的置換により14192個の新しい結晶を生成する。 生成モデルと格子の装飾手法は相補的であり, 安定性は似ているが, 結晶構造や化学組成は異なっていた。 合計で11630個の新しい2D材料が発見され、そのうち8599個は種構造として$\Delta H_{\mathrm{hull}}< 0.3$ eV/atomを持ち、2004年は凸殻の50 meV以内で合成される可能性がある。 全ての材料の緩和された原子構造は、オープンなComputational 2D Materials Database (C2DB)で入手できる。 本研究はCDVAEを高効率で信頼性の結晶生成機として確立し, 2次元材料の空間を著しく拡大する。

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)
• OpenMaterial: A Comprehensive Dataset of Complex Materials for 3D Reconstruction [54.706361479680055]
  295個の異なる材料からなる1001個のオブジェクトからなるOpenMaterialデータセットを紹介した。 OpenMaterialは3D形状、マテリアルタイプ、カメラポーズ、深さ、オブジェクトマスクなど、包括的なアノテーションを提供する。 これは、多様で挑戦的な材料を持つオブジェクト上で、既存のアルゴリズムの定量的評価を可能にする最初の大規模データセットである。
  論文  参考訳（メタデータ） (2024-06-13T07:46:17Z)
• 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)
• 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)
• Discovery of 2D materials using Transformer Network based Generative Design [0.0]
  トランスフォーマーをベースとした自己学習型ニューラルネットワークモデルを用いて,2つの2次元材料合成ジェネレータを訓練する。 その後、モデルは多数の候補となる2D合成を生成するために使用され、結晶構造予測のために既知の2D材料テンプレートに供給される。 我々は,NiCl$_4$,IrSBr,CuBr$_3$,CoBrClの4つの新しいDFT認定安定2D材料について報告する。
  論文  参考訳（メタデータ） (2023-01-14T05:59:38Z)
• Large-scale machine-learning-assisted exploration of the whole materials space [0.0]
  結晶-グラフアテンションネットワークは、非緩和結晶構造からの熱力学的安定性と材料特性の予測のための顕著なツールとして登場した。 これまでの200万の素材で訓練されたネットワークは、あまり表現されていない化学的要素と構造的プロトタイプに起因した強いバイアスを示していた。 この問題に取り組み、化学および結晶対称性空間のバランスを改善するために追加データを計算した。
  論文  参考訳（メタデータ） (2022-10-02T17:34:12Z)
• Physics Guided Generative Adversarial Networks for Generations of Crystal Materials with Symmetry Constraints [9.755053639966185]
  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。
  論文  参考訳（メタデータ） (2022-03-27T17:21:36Z)
• 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)
• Computational discovery of new 2D materials using deep learning generative models [6.918364447822299]
  2次元(2次元)材料は多くの適用の有望な機能材料として現われました。 ランダムな森林ベースの2次元材料と組み合わせた組成生成のためのディープラーニング生成モデルを提案する。 267,489の新しい2D材料組成を発見し、12の2D/多層材料を確認しました。
  論文  参考訳（メタデータ） (2020-12-16T23:10:48Z)

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。