Fugu-MT 論文翻訳(概要): Shotgun crystal structure prediction using machine-learned formation energies

論文の概要: Shotgun crystal structure prediction using machine-learned formation energies

arxiv url: http://arxiv.org/abs/2305.02158v5
Date: Tue, 20 Aug 2024 10:41:52 GMT
ステータス: 処理完了
システム内更新日: 2024-08-21 21:01:16.586633
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, Hiromasa Tamaki, Tomoyasu Yokoyama, Kensuke Wakasugi, Satoshi Yotsuhashi, Minoru Kusaba, Artem R. Oganov, Ryo Yoshida,
Abstract要約: 組み立てられた原子の結晶構造は、原子配置の広い空間内で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。本稿では,結晶構造予測問題の解決に向けた大きな進展を示す。我々は,機械学習エネルギー予測器を備えた仮想結晶構造の大規模なライブラリを用いて,非定常単発スクリーニングを行った。
参考スコア（独自算出の注目度）: 3.2563787689949133
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 within a broad space of atomic configurations. Generally, this requires repeated first-principles energy calculations, which is often impractical for large crystalline systems. Here, we present significant progress toward solving the crystal structure prediction problem: we performed noniterative, single-shot screening using a large library of virtually created crystal structures with a machine-learning energy predictor. This shotgun method (ShotgunCSP) has two key technical components: transfer learning for accurate energy prediction of pre-relaxed crystalline states, and two generative models based on element substitution and symmetry-restricted structure generation to produce promising and diverse crystal structures. First-principles calculations were performed only to generate the training samples and to refine a few selected pre-relaxed crystal structures. The ShotunCSP method is computationally less intensive than conventional methods and exhibits exceptional prediction accuracy, reaching 93.3% in benchmark tests with 90 different crystal structures.
Abstract（参考訳）: 組み立てられた原子の安定な結晶構造や準安定な結晶構造は、原子配置の広い空間内でエネルギー表面の大域的あるいは局所的なミニマを見つけることによって予測できる。一般に、これは第一原理エネルギー計算を繰り返す必要があり、しばしば大きな結晶系では実用的ではない。そこで我々は, 学習エネルギー予測器を備えた仮想結晶構造の大規模ライブラリを用いて, 非晶質単発スクリーニングを行い, 結晶構造予測問題の解決に向けた大きな進展を示す。このショットガン法 (ShotgunCSP) は, 結晶状態の正確なエネルギー予測のための伝達学習 (Transfer Learning) と, 元素置換と対称性制限構造生成に基づく2つの生成モデルにより, 有望かつ多様な結晶構造を生成する。第一原理計算は、トレーニングサンプルを生成し、いくつかの選択されたプレレラックス結晶構造を洗練するためにのみ行われた。 ShotunCSP法は従来の方法よりも計算量が少なく、異常な予測精度を示し、90種類の結晶構造を持つベンチマーク試験で93.3%に達した。

関連論文リスト

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)
Complete and Efficient Graph Transformers for Crystal Material Property Prediction [53.32754046881189]
結晶構造は、3次元空間の正則格子に沿って繰り返される原始単位セル内の原子塩基によって特徴づけられる。本稿では,各原子の格子に基づく表現を確立するために,単位細胞の周期パターンを利用する新しい手法を提案する。結晶材料に特化して設計されたSE(3)トランスであるComFormerを提案する。
論文参考訳（メタデータ） (2024-03-18T15:06:37Z)
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)
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)
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)
Equivariant Parameter Sharing for Porous Crystalline Materials [4.271235935891555]
既存の結晶特性予測法は、制限的すぎる制約を持つか、単位細胞間で対称性を組み込むのみである。我々は、結晶の単位セルの対称性をアーキテクチャに組み込んだモデルを開発し、多孔質構造を明示的にモデル化する。提案手法は, 既存の結晶特性予測法よりも優れた性能を示し, 対称性の包含によりより効率的なモデルが得られることを確認した。
論文参考訳（メタデータ） (2023-04-04T08:33:13Z)
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)
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)

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。