論文の概要: Shotgun crystal structure prediction using machine-learned formation
energies
- arxiv url: http://arxiv.org/abs/2305.02158v2
- Date: Sun, 7 May 2023 11:29:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-09 19:50:40.038337
- Title: Shotgun crystal structure prediction using machine-learned formation
energies
- Title(参考訳): 機械学習形成エネルギーを用いたショットガン結晶構造予測
- Authors: Chang Liu (1), Hiromasa Tamaki (2), Tomoyasu Yokoyama (2), Kensuke
Wakasugi (2), Satoshi Yotsuhashi (2), Minoru Kusaba (1), Ryo Yoshida (1, 3
and 4) ((1) The Institute of Statistical Mathematics, (2) Panasonic Holdings
Corporation, (3) National Institute for Materials Science, (4) The Graduate
University for Advanced Studies)
- Abstract要約: 組み立てられた原子の安定あるいは準安定な結晶構造は、エネルギー表面の大域的または局所的なミニマを見つけることによって予測できる。
ここでは,簡単な機械学習ワークフローを用いて,結晶構造予測問題の解決に大きな進歩を遂げた。
本手法は, 結晶状態の高精度なエネルギー予測を可能にする伝達学習という, 2つの重要な技術要素に依存している。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Stable or metastable crystal structures of assembled atoms can be predicted
by finding the global or local minima of the energy surface with respect to the
atomic configurations. Generally, this requires repeated first-principles
energy calculations that are impractical for large systems, such as those
containing more than 30 atoms in the unit cell. Here, we have made significant
progress in solving the crystal structure prediction problem with a simple but
powerful machine-learning workflow; using a machine-learning surrogate for
first-principles energy calculations, we performed non-iterative, single-shot
screening using a large library of virtually created crystal structures. The
present method relies on two key technical components: transfer learning, which
enables a highly accurate energy prediction of pre-relaxed crystalline states
given only a small set of training samples from first-principles calculations,
and generative models to create promising and diverse crystal structures for
screening. Here, first-principles calculations were performed only to generate
the training samples, and for the optimization of a dozen or fewer finally
narrowed-down crystal structures. Our shotgun method was more than 5--10 times
less computationally demanding and achieved an outstanding prediction accuracy
that was 2--6 times higher than that of the conventional methods that rely
heavily on iterative first-principles calculations.
- Abstract(参考訳): 組み立てられた原子の安定あるいは準安定な結晶構造は、原子配置に関してエネルギー表面の大域的または局所的なミニマを見つけることで予測できる。
一般に、これは単位セルに30個以上の原子を含むような大きなシステムでは実用的でない第一原理エネルギー計算を繰り返す必要がある。
そこで我々は, 簡単な機械学習ワークフローを用いて, 結晶構造予測問題の解決に多大な進歩を遂げた; 第一原理エネルギー計算に機械学習サロゲートを用いて, 仮想的に生成した結晶構造の大規模なライブラリを用いて, 非定位単発スクリーニングを行った。
本手法は, 第一原理計算から得られた少数のトレーニングサンプルのみを用いて, 結晶前状態の高精度なエネルギー予測を可能にする伝達学習と, 有望かつ多種多様な結晶構造をスクリーニングするための生成モデルである。
ここでは、トレーニングサンプルの生成と、最終的に狭くなった結晶構造の最適化のために、第一原理計算を行った。
ショットガン法は計算要求の5~10倍以下であり, 逐次第一原理計算に大きく依存する従来の手法の2~6倍の精度で予測精度が向上した。
関連論文リスト
- 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) - Faster spectral density calculation using energy moments [77.34726150561087]
我々は、最近提案されたガウス積分変換法を、ハミルトニアン系のフーリエモーメントの観点から再構成する。
このフレームワークの主な利点の1つは、計算コストの大幅な削減を可能にすることである。
論文 参考訳(メタデータ) (2022-11-01T23:57:58Z) - 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) - Crystal structure prediction with machine learning-based element
substitution [5.613512701893759]
与えられた化学組成によって形成されるエネルギー的に安定な結晶構造の予測は、固体物理学における中心的な問題である。
本稿では,メカニカルラーニングと呼ばれる機械学習アルゴリズムを利用した結晶構造予測の一手法を提案する。
未知の結晶構造を持つ所定のクエリ合成では、テンプレート結晶の集合を結晶構造データベースから自動的に選択する。
論文 参考訳(メタデータ) (2022-01-26T21:06:24Z) - Spectral density reconstruction with Chebyshev polynomials [77.34726150561087]
厳密な誤差推定で有限エネルギー分解能の制御可能な再構成を行う方法を示す。
これは、核と凝縮物質物理学における将来の応用の道を開くものである。
論文 参考訳(メタデータ) (2021-10-05T15:16:13Z) - 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) - An invertible crystallographic representation for general inverse design
of inorganic crystals with targeted properties [10.853822721106205]
一般逆設計(所与の要素や結晶構造に限らず)が可能な枠組みを提案する。
このフレームワークは、ユーザが定義した形成エネルギー、バンドギャップ、熱電(TE)パワーファクター、およびそれらの組み合わせを備えた新しい結晶を生成する。
結果は、生成モデルを用いたプロパティ駆動の一般逆設計に向けた重要なステップである。
論文 参考訳(メタデータ) (2020-05-15T15:58:31Z) - 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) - Machine Learning Enabled Discovery of Application Dependent Design
Principles for Two-dimensional Materials [1.1470070927586016]
我々は熱力学、機械的、電子的特性を予測するためにモデルのアンサンブルを訓練する。
ほぼ2つの非結合なアプリケーションに対して,45,000近い構造体をスクリーニングする。
有機-無機ペロブスカイトと鉛とスズとのハイブリッドが太陽電池の応用に好適であることが判明した。
論文 参考訳(メタデータ) (2020-03-19T23:13:50Z)
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。