論文の概要: Atomic structure generation from reconstructing structural fingerprints
- arxiv url: http://arxiv.org/abs/2207.13227v1
- Date: Wed, 27 Jul 2022 00:42:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-28 14:04:28.911451
- Title: Atomic structure generation from reconstructing structural fingerprints
- Title(参考訳): 構造指紋再構成による原子構造生成
- Authors: Victor Fung, Shuyi Jia, Jiaxin Zhang, Sirui Bi, Junqi Yin, P. Ganesh
- Abstract要約: 本稿では、原子中心対称性関数を表現として、条件付き変分オートエンコーダを生成モデルとして、エンドツーエンド構造生成手法を提案する。
我々は、概念実証として、サブナノメーターPtナノ粒子の新規で有効な原子構造を生成することに成功した。
- 参考スコア(独自算出の注目度): 1.2128971613239876
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Data-driven machine learning methods have the potential to dramatically
accelerate the rate of materials design over conventional human-guided
approaches. These methods would help identify or, in the case of generative
models, even create novel crystal structures of materials with a set of
specified functional properties to then be synthesized or isolated in the
laboratory. For crystal structure generation, a key bottleneck lies in
developing suitable atomic structure fingerprints or representations for the
machine learning model, analogous to the graph-based or SMILES representations
used in molecular generation. However, finding data-efficient representations
that are invariant to translations, rotations, and permutations, while
remaining invertible to the Cartesian atomic coordinates remains an ongoing
challenge. Here, we propose an alternative approach to this problem by taking
existing non-invertible representations with the desired invariances and
developing an algorithm to reconstruct the atomic coordinates through
gradient-based optimization using automatic differentiation. This can then be
coupled to a generative machine learning model which generates new materials
within the representation space, rather than in the data-inefficient Cartesian
space. In this work, we implement this end-to-end structure generation approach
using atom-centered symmetry functions as the representation and conditional
variational autoencoders as the generative model. We are able to successfully
generate novel and valid atomic structures of sub-nanometer Pt nanoparticles as
a proof of concept. Furthermore, this method can be readily extended to any
suitable structural representation, thereby providing a powerful, generalizable
framework towards structure-based generation.
- Abstract(参考訳): データ駆動機械学習手法は、従来の人間誘導型アプローチよりも、材料設計の速度を劇的に加速する可能性がある。
これらの手法は、生成モデルの場合、特定の機能特性のセットを持つ新しい結晶構造を創り出し、それを合成したり、実験室で単離したりするのに役立つ。
結晶構造生成において、重要なボトルネックは、分子生成に使用されるグラフベースまたはSMILES表現に類似した、機械学習モデルに適した原子構造指紋または表現を開発することである。
しかし、変換、回転、置換に不変なデータ効率の表現を見つける一方で、カルテシアン原子座標に逆らうことは、現在も進行中の課題である。
本稿では,既存の非可逆表現を所望の不変量で取り上げ,自動微分を用いた勾配最適化により原子座標を再構成するアルゴリズムを開発することで,この問題に対する代替手法を提案する。
これは、データ非効率なデカルト空間ではなく、表現空間内で新しい材料を生成する生成的機械学習モデルと結合することができる。
本研究では,atom中心の対称性関数を表現として,条件付き変分オートエンコーダを生成モデルとして,このエンドツーエンド構造生成手法を実装した。
我々は、概念実証として、サブナノメーターPtナノ粒子の新規で有効な原子構造を生成することに成功した。
さらに、この手法は任意の適切な構造表現に容易に拡張することができ、構造ベース生成に向けた強力な一般化可能なフレームワークを提供する。
関連論文リスト
- Illuminating the property space in crystal structure prediction using
Quality-Diversity algorithms [5.380545611878407]
結晶構造予測分野へのテキスト品質多様性アルゴリズムの適用を提案する。
我々は機械学習シュロゲートモデルを用いて、最適化を導くために使用される原子間ポテンシャルと物質特性を計算する。
本稿では,ニューラルネットワークを用いて結晶特性をモデル化し,新しい構成-構造の組み合わせの同定を可能にする。
論文 参考訳(メタデータ) (2024-03-06T07:38:31Z) - 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) - 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) - 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) - A Neural Network Transformer Model for Composite Microstructure
Homogenization [0.0]
複合組織における不均一性と不確実性は、厳密にモデル化された場合の計算ボトルネックや、応力場における不正確な解や、近似された場合の故障予測につながる。
本稿では,様々なミクロ構造や構成成分の知識を捉えるトランスフォーマーニューラルネットワークアーキテクチャについて述べる。
論文 参考訳(メタデータ) (2023-04-16T19:57:52Z) - 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) - Geometric Transformer for End-to-End Molecule Properties Prediction [92.28929858529679]
分子特性予測のためのトランスフォーマーに基づくアーキテクチャを導入し,分子の形状を捉える。
分子幾何学の初期符号化による古典的な位置エンコーダと、学習されたゲート自己保持機構を改変する。
論文 参考訳(メタデータ) (2021-10-26T14:14:40Z) - GeoMol: Torsional Geometric Generation of Molecular 3D Conformer
Ensembles [60.12186997181117]
分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。
既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。
エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
論文 参考訳(メタデータ) (2021-06-08T14:17:59Z) - 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) - Learning Neural Generative Dynamics for Molecular Conformation
Generation [89.03173504444415]
分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。
分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
論文 参考訳(メタデータ) (2021-02-20T03:17:58Z)
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。