論文の概要: Neural Structure Fields with Application to Crystal Structure
Autoencoders
- arxiv url: http://arxiv.org/abs/2212.13120v1
- Date: Thu, 8 Dec 2022 16:41:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-01 14:28:48.387760
- Title: Neural Structure Fields with Application to Crystal Structure
Autoencoders
- Title(参考訳): 神経構造場と結晶構造オートエンコーダへの応用
- Authors: Naoya Chiba, Yuta Suzuki, Tatsunori Taniai, Ryo Igarashi, Yoshitaka
Ushiku, Kotaro Saito, Kanta Ono
- Abstract要約: 本稿では,ニューラルネットワークを用いた結晶構造を表現するための高精度かつ実用的なアプローチとして,ニューラル構造体(NeSF)を提案する。
NeSFは空間分解能と計算複雑性のトレードオフを克服し、任意の結晶構造を表現することができる。
本研究では, ペロブスカイト構造材料や銅酸化物超伝導体などの結晶構造を復元できる結晶構造自動エンコーダを提案する。
- 参考スコア(独自算出の注目度): 18.4382828561002
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Representing crystal structures of materials to facilitate determining them
via neural networks is crucial for enabling machine-learning applications
involving crystal structure estimation. Among these applications, the inverse
design of materials can contribute to next-generation methods that explore
materials with desired properties without relying on luck or serendipity. We
propose neural structure fields (NeSF) as an accurate and practical approach
for representing crystal structures using neural networks. Inspired by the
concepts of vector fields in physics and implicit neural representations in
computer vision, the proposed NeSF considers a crystal structure as a
continuous field rather than as a discrete set of atoms. Unlike existing
grid-based discretized spatial representations, the NeSF overcomes the tradeoff
between spatial resolution and computational complexity and can represent any
crystal structure. To evaluate the NeSF, we propose an autoencoder of crystal
structures that can recover various crystal structures, such as those of
perovskite structure materials and cuprate superconductors. Extensive
quantitative results demonstrate the superior performance of the NeSF compared
with the existing grid-based approach.
- Abstract(参考訳): 結晶構造推定を含む機械学習アプリケーションを実現するためには,ニューラルネットワークによる決定を容易にするために材料の結晶構造を表現することが重要である。
これらの用途のうち、材料の逆設計は、幸運やセレンディピティーに頼らずに望ましい性質を持つ材料を探索する次世代手法に寄与することができる。
ニューラルネットワークを用いて結晶構造を表現するための高精度かつ実用的なアプローチとして,ニューラル構造体(NeSF)を提案する。
物理学におけるベクトル場の概念やコンピュータビジョンにおける暗黙の神経表現に触発されたNeSFは、結晶構造を原子の離散的な集合ではなく連続体と考える。
既存の格子ベースの離散空間表現とは異なり、NeSFは空間分解能と計算複雑性のトレードオフを克服し、任意の結晶構造を表現することができる。
nesfを評価するために,ペロブスカイト構造材料や銅酸化物超伝導体などの様々な結晶構造を復元できる結晶構造のオートエンコーダを提案する。
大規模な定量的な結果は,既存のグリッドベースアプローチと比較して,NeSFの優れた性能を示している。
関連論文リスト
- Defining Neural Network Architecture through Polytope Structures of
Dataset [60.142611380235856]
本稿では, ニューラルネットワーク幅の上下境界を定義し, 問題となるデータセットのポリトープ構造から情報を得る。
本研究では,データセットのポリトープ構造を学習したニューラルネットワークから推定できる逆条件を探索するアルゴリズムを開発した。
MNIST、Fashion-MNIST、CIFAR10といった一般的なデータセットは、顔の少ない2つ以上のポリトップを用いて効率的にカプセル化できることが確立されている。
論文 参考訳(メタデータ) (2024-02-04T08:57:42Z) - Generative Design of Crystal Structures by Point Cloud Representations
and Diffusion Model [9.463520412544812]
本稿では, 点雲表現を利用して構造情報を符号化し, 合成可能な材料を生成するための枠組みを提案する。
我々の研究は、材料設計と合成の進歩への重要な貢献である。
論文 参考訳(メタデータ) (2024-01-24T02:36:52Z) - 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) - 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) - DeepCrysTet: A Deep Learning Approach Using Tetrahedral Mesh for
Predicting Properties of Crystalline Materials [0.0]
材料特性を予測するための新しい深層学習手法であるDeepCrysTetを提案する。
DeepCrysTetは、Delaunay四面体化によって生成される3次元四面体メッシュとして表される結晶構造を用いる。
実験により、DeepCrysTetは既存のGNNモデルよりも結晶構造の分類や弾性特性の予測における最先端性能に優れていた。
論文 参考訳(メタデータ) (2023-09-07T05:23:52Z) - NeuralClothSim: Neural Deformation Fields Meet the Kirchhoff-Love Thin
Shell Theory [75.21240705566692]
既存の布シミュレータは、異なる種類の境界条件に従う現実的な布の変形を生成する。
ニューラルネットワークの重みに表面の進化をエンコードした薄い殻を用いた新しい布シミュレーション手法を提案する。
メモリ効率と微分可能な解法は、動的曲面の新しい連続座標に基づく表現で動作する。
論文 参考訳(メタデータ) (2023-08-24T17:59:54Z) - 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) - Physics guided deep learning generative models for crystal materials
discovery [7.7755483163557155]
Deepfakeのようなディープラーニングベースの生成モデルは、素晴らしい画像やビデオを生成することができる。
ここでは, 物理的指向性データ拡張の活用と付加により, 我々のディープ・逆数ネットワーク(GAN)に基づく生成モデルにより, より高い物理実現性を持つ結晶構造を生成可能であることを示す。
論文 参考訳(メタデータ) (2021-12-07T06:54:48Z) - CRYSPNet: Crystal Structure Predictions via Neural Network [14.930208990741129]
結晶構造予測に機械学習を利用した代替手法を提案する。
我々は, 無機材料のブラベイス格子, 空間群, 格子パラメータを予測できる結晶構造予測ネットワーク(CRYSPNet)を開発した。
無機結晶構造データベース(Inorganic Crystal Structure Database)から10万以上のエントリでトレーニングされ、検証された。
論文 参考訳(メタデータ) (2020-03-31T16:05:18Z)
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。