論文の概要: Neural Structure Fields with Application to Crystal Structure
Autoencoders
- arxiv url: http://arxiv.org/abs/2212.13120v2
- Date: Thu, 14 Dec 2023 04:11:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-16 05:16:33.247158
- 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。
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のオートエンコーダを提案する。
- 参考スコア(独自算出の注目度): 10.680545976155173
- 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 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. 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。
これらの応用の中で、材料の逆設計は、運やセレンディピティーに頼ることなく、望ましい特性を持つ材料を探索するのに貢献することができる。
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。
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
- 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) - 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) - Crystalformer: Infinitely Connected Attention for Periodic Structure Encoding [10.170537065646323]
結晶構造から材料の物性を予測することは、材料科学の基本的な問題である。
結晶構造が無限に繰り返し、原子の周期的な配列であり、完全に連結された注意が無限に連結された注意をもたらすことを示す。
本稿では, 結晶構造に対する簡単なトランスフォーマーベースエンコーダアーキテクチャを提案する。
論文 参考訳(メタデータ) (2024-03-18T11:37:42Z) - Generative Design of Crystal Structures by Point Cloud Representations and Diffusion Model [9.011625935805927]
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 [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) - 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) - 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)
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。