論文の概要: Discovery of 2D materials using Transformer Network based Generative
Design
- arxiv url: http://arxiv.org/abs/2301.05824v1
- Date: Sat, 14 Jan 2023 05:59:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-18 18:43:49.432606
- Title: Discovery of 2D materials using Transformer Network based Generative
Design
- Title(参考訳): 変圧器ネットワークを用いた生成設計による2次元材料の発見
- Authors: Rongzhi Dong, Yuqi Song, Edirisuriya M. D. Siriwardane, Jianjun Hu
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Two-dimensional (2D) materials have wide applications in superconductors,
quantum, and topological materials. However, their rational design is not well
established, and currently less than 6,000 experimentally synthesized 2D
materials have been reported. Recently, deep learning, data-mining, and density
functional theory (DFT)-based high-throughput calculations are widely performed
to discover potential new materials for diverse applications. Here we propose a
generative material design pipeline, namely material transformer
generator(MTG), for large-scale discovery of hypothetical 2D materials. We
train two 2D materials composition generators using self-learning neural
language models based on Transformers with and without transfer learning. The
models are then used to generate a large number of candidate 2D compositions,
which are fed to known 2D materials templates for crystal structure prediction.
Next, we performed DFT computations to study their thermodynamic stability
based on energy-above-hull and formation energy. We report four new
DFT-verified stable 2D materials with zero e-above-hull energies, including
NiCl$_4$, IrSBr, CuBr$_3$, and CoBrCl. Our work thus demonstrates the potential
of our MTG generative materials design pipeline in the discovery of novel 2D
materials and other functional materials.
- Abstract(参考訳): 2次元(2D)材料は超伝導体、量子、およびトポロジカル材料に広く応用されている。
しかし、その合理的な設計は定まっておらず、現在6000以下の実験的な2d材料が報告されている。
近年、深層学習、データマイニング、密度汎関数理論(dft)に基づく高スループット計算が広く行われ、多様な応用のための潜在的な新しい材料が発見されている。
本稿では, 物質トランスジェネレータ (MTG) を用いて, 仮説2次元材料を大規模に発見するための生成材料設計パイプラインを提案する。
トランスフォーマーに基づく自己学習型ニューラルネットワークモデルを用いた2次元材料合成生成器の訓練を行った。
これらのモデルは、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多数の候補2d合成を生成するために使用される。
次に, DFT計算を行い, その熱力学的安定性について検討した。
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。
本研究は, MTG 生成材料設計パイプラインが新規な2次元材料および他の機能性材料を発見できる可能性を示すものである。
関連論文リスト
- MaskTerial: A Foundation Model for Automated 2D Material Flake Detection [48.73213960205105]
MaskTerialと呼ばれる深層学習モデルを提案する。このモデルでは、インスタンスセグメンテーションネットワークを用いて、2D素材のフレークを確実に識別する。
このモデルは、ラベルのないデータからリアルな顕微鏡画像を生成する合成データ生成装置を用いて、広範囲に事前訓練されている。
六方晶窒化ホウ素などの低コントラスト材料の検出において,既存の技術よりも顕著な改善が認められた。
論文 参考訳(メタデータ) (2024-12-12T15:01:39Z) - MaterialSeg3D: Segmenting Dense Materials from 2D Priors for 3D Assets [63.284244910964475]
本稿では,2次元のセマンティクスから基礎となる物質を推定する3次元アセット素材生成フレームワークを提案する。
このような先行モデルに基づいて,材料を三次元空間で解析する機構を考案する。
論文 参考訳(メタデータ) (2024-04-22T07:00:17Z) - 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) - Breathing New Life into 3D Assets with Generative Repainting [74.80184575267106]
拡散ベースのテキスト・ツー・イメージ・モデルは、ビジョン・コミュニティ、アーティスト、コンテンツ・クリエーターから大きな注目を集めた。
近年の研究では、拡散モデルとニューラルネットワークの絡み合いを利用した様々なパイプラインが提案されている。
予備訓練された2次元拡散モデルと標準3次元ニューラルラジアンスフィールドのパワーを独立したスタンドアロンツールとして検討する。
我々のパイプラインはテクスチャ化されたメッシュや無テクスチャのメッシュのような、レガシなレンダリング可能な幾何学を受け入れ、2D生成の洗練と3D整合性強化ツール間の相互作用をオーケストレーションします。
論文 参考訳(メタデータ) (2023-09-15T16:34:51Z) - Accelerate & Actualize: Can 2D Materials Bridge the Gap Between
Neuromorphic Hardware and the Human Brain? [0.6423239719448168]
二次元(2D)材料は、フォン・ノイマンの計算アーキテクチャパラダイムを超えたデバイスやシステムにとってエキサイティングな機会となる。
非揮発性メモリ(NVM)デバイスの主要クラスは2D材料で実証されている。
論文 参考訳(メタデータ) (2023-01-24T19:21:39Z) - Machine-learning accelerated identification of exfoliable
two-dimensional materials [0.0]
2次元(2D)材料は、様々な特性を持つため、最近の研究の中心となっている。
バルク3次元(3D)材料が弱い結合エネルギーで保持された層によって形成される場合、正確かつ効率的に識別できることが重要である。
我々は、高速な幾何学的スクリーニングと組み合わせて、潜在的に剥離可能な材料を効率的に識別できる機械学習(ML)アプローチを開発した。
論文 参考訳(メタデータ) (2022-07-18T14:48:53Z) - 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) - Family of Two Dimensional Transition Metal Dichlorides Fundamental
Properties, Structural Defects, and Environmental Stability [6.098877408363052]
多数の新しい2D素材が常に発見され、データベースに分解される。
この連鎖の次のステップとして、この研究は発明された材料の機能に関する包括的な研究に繋がる。
本研究は, 発明された材料のポテンシャルの活用の重要性を強調し, 新しい2次元材料群を包括的に評価することを提案する。
論文 参考訳(メタデータ) (2022-04-29T10:01:58Z) - 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。