論文の概要: Unified Model for Crystalline Material Generation
- arxiv url: http://arxiv.org/abs/2306.04510v1
- Date: Wed, 7 Jun 2023 15:23:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-08 13:54:35.841380
- Title: Unified Model for Crystalline Material Generation
- Title(参考訳): 結晶材料生成のための統一モデル
- Authors: Astrid Klipfel and Ya\"el Fr\'egier and Adlane Sayede and Zied
Bouraoui
- Abstract要約: 結晶格子と原子位置で同時に作用する2つの統一モデルを提案する。
我々のモデルは、熱力学的安定性に到達するために総エネルギーを下げることで任意の結晶の変形を学習することができる。
- 参考スコア(独自算出の注目度): 9.940728137241214
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: One of the greatest challenges facing our society is the discovery of new
innovative crystal materials with specific properties. Recently, the problem of
generating crystal materials has received increasing attention, however, it
remains unclear to what extent, or in what way, we can develop generative
models that consider both the periodicity and equivalence geometric of crystal
structures. To alleviate this issue, we propose two unified models that act at
the same time on crystal lattice and atomic positions using periodic
equivariant architectures. Our models are capable to learn any arbitrary
crystal lattice deformation by lowering the total energy to reach thermodynamic
stability. Code and data are available at https://github.com/aklipf/GemsNet.
- Abstract(参考訳): 私たちの社会が直面する最大の課題の1つは、特定の特性を持つ新しい革新的な結晶材料の発見です。
近年, 結晶材料生成の問題に注目が集まっているが, 結晶構造の周期性と等値性を考慮した生成モデルの開発は, どの程度の程度, あるいはどのようにして行うことができるかは定かではない。
この問題を軽減するために,周期同変構造を用いて結晶格子と原子位置を同時に作用する2つの統一モデルを提案する。
我々のモデルは、全エネルギーを下げて熱力学的安定性に達することで任意の結晶格子変形を学習することができる。
コードとデータはhttps://github.com/aklipf/gemsnetで入手できる。
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) - Space Group Informed Transformer for Crystalline Materials Generation [2.405914457225118]
本稿では, 変圧器を用いた自己回帰モデルであるCrystalFormerを紹介した。
空間群対称性の組み入れは結晶空間を著しく単純化し、結晶材料のデータおよび効率的な生成モデリングの計算に不可欠である。
論文 参考訳(メタデータ) (2024-03-23T06:01:45Z) - 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 Message Passing Neural Network for Crystal Material
Discovery [8.481798330936975]
教師なしの方法で結晶格子変形を学習する周期的同変メッセージパッシングニューラルネットワークを提案する。
本モデルは, 結晶生成, 緩和, 最適化に適した変形作用により格子に等価に作用する。
論文 参考訳(メタデータ) (2023-02-01T14:48:18Z) - 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)
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。