論文の概要: A Crystal-Specific Pre-Training Framework for Crystal Material Property Prediction

• arxiv url: http://arxiv.org/abs/2306.05344v2
• Date: Fri, 9 Jun 2023 08:27:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-12 10:11:00.623639
• Title: A Crystal-Specific Pre-Training Framework for Crystal Material Property Prediction
• Title（参考訳）: 結晶材料特性予測のための結晶特性評価フレームワーク
• Authors: Haomin Yu, Yanru Song, Jilin Hu, Chenjuan Guo, Bin Yang
• Abstract要約: 結晶特性のラベル付けは、物理的シミュレーションや実験実験にかかわる高コストと時間のために本質的に困難である。 結晶は、周期的不変性( periodic invariance)として知られる特定の量子化学原理に従属する。 本稿では,自己超越による結晶表現学習のための,結晶固有の事前学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 12.957415185028948
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Crystal property prediction is a crucial aspect of developing novel materials. However, there are two technical challenges to be addressed for speeding up the investigation of crystals. First, labeling crystal properties is intrinsically difficult due to the high cost and time involved in physical simulations or lab experiments. Second, crystals adhere to a specific quantum chemical principle known as periodic invariance, which is often not captured by existing machine learning methods. To overcome these challenges, we propose the crystal-specific pre-training framework for learning crystal representations with self-supervision. The framework designs a mutex mask strategy for enhancing representation learning so as to alleviate the limited labels available for crystal property prediction. Moreover, we take into account the specific periodic invariance in crystal structures by developing a periodic invariance multi-graph module and periodic attribute learning within our framework. This framework has been tested on eight different tasks. The experimental results on these tasks show that the framework achieves promising prediction performance and is able to outperform recent strong baselines.
• Abstract（参考訳）: 結晶特性予測は、新しい材料を開発する上で重要な側面である。 しかし、結晶の研究をスピードアップするための技術的課題は2つある。 第一に、結晶特性のラベル付けは、物理的シミュレーションや実験実験にかかわる高コストと時間のために本質的に困難である。 第二に、結晶は周期的不変性( periodic invariance)として知られる特定の量子化学原理に固執する。 これらの課題を克服するために,自己スーパービジョンによる結晶表現学習のための結晶特異的事前学習フレームワークを提案する。 このフレームワークは、結晶特性予測に利用可能な限定ラベルを緩和するために、表現学習を強化するミューテックスマスク戦略を設計する。 さらに, 結晶構造の特定の周期的不変性を考慮して, 周期的不変性多グラフモジュールと周期的属性学習をフレームワーク内で構築する。 このフレームワークは8つの異なるタスクでテストされている。 これらの課題に対する実験結果から,フレームワークは期待できる予測性能を達成し,最近の強いベースラインを上回り得ることが示された。

関連論文リスト

• CrystalX: Ultra-Precision Crystal Structure Resolution and Error Correction Using Deep Learning [44.02107704258412]
  本研究では,全原子レベルでの超精密構造解析モデルであるCrystalXを開発した。 このモデルを検証するために,5万回以上のX線回折測定を行った。 このディープラーニングモデルは、結晶構造解析の時間枠に革命をもたらし、それを数秒に短縮する。
  論文  参考訳（メタデータ） (2024-10-17T16:12:55Z)
• 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)
• 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)
• Shotgun crystal structure prediction using machine-learned formation energies [3.2563787689949133]
  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。
  論文  参考訳（メタデータ） (2023-05-03T14:46:16Z)
• 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)
• Tracking perovskite crystallization via deep learning-based feature detection on 2D X-ray scattering data [137.47124933818066]
  本稿では,より高速なR-CNN深層学習アーキテクチャに基づくX線回折画像の自動解析パイプラインを提案する。 有機-無機ペロブスカイト構造の結晶化をリアルタイムに追跡し, 2つの応用で検証した。
  論文  参考訳（メタデータ） (2022-02-22T15:39:00Z)
• 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。