論文の概要: CrysMMNet: Multimodal Representation for Crystal Property Prediction
- arxiv url: http://arxiv.org/abs/2307.05390v1
- Date: Fri, 9 Jun 2023 11:16:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-16 03:44:36.148834
- Title: CrysMMNet: Multimodal Representation for Crystal Property Prediction
- Title(参考訳): CrysMMNet:結晶特性予測のためのマルチモーダル表現
- Authors: Kishalay Das, Pawan Goyal, Seung-Cheol Lee, Satadeep Bhattacharjee,
Niloy Ganguly
- Abstract要約: CrysMMNetは、構造的およびテキスト的表現を融合させ、結晶材料の共同マルチモーダル表現を生成する単純なマルチモーダルフレームワークである。
我々は、CrysMMNetが既存の最先端のベースラインメソッドよりも優れたマージンを持つことを示すために、10の異なるプロパティにわたる2つのベンチマークデータセットに関する広範な実験を行った。
- 参考スコア(独自算出の注目度): 22.576167897068956
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine Learning models have emerged as a powerful tool for fast and accurate
prediction of different crystalline properties. Exiting state-of-the-art models
rely on a single modality of crystal data i.e. crystal graph structure, where
they construct multi-graph by establishing edges between nearby atoms in 3D
space and apply GNN to learn materials representation. Thereby, they encode
local chemical semantics around the atoms successfully but fail to capture
important global periodic structural information like space group number,
crystal symmetry, rotational information, etc, which influence different
crystal properties. In this work, we leverage textual descriptions of materials
to model global structural information into graph structure and learn a more
robust and enriched representation of crystalline materials. To this effect, we
first curate a textual dataset for crystalline material databases containing
descriptions of each material. Further, we propose CrysMMNet, a simple
multi-modal framework, which fuses both structural and textual representation
together to generate a joint multimodal representation of crystalline
materials. We conduct extensive experiments on two benchmark datasets across
ten different properties to show that CrysMMNet outperforms existing
state-of-the-art baseline methods with a good margin. We also observe that
fusing the textual representation with crystal graph structure provides
consistent improvement for all the SOTA GNN models compared to their own
vanilla versions. We have shared the textual dataset, that we have curated for
both the benchmark material databases, with the community for future use.
- Abstract(参考訳): 機械学習モデルは、異なる結晶特性を高速かつ正確に予測するための強力なツールとして登場した。
最先端のモデルは結晶データ(結晶グラフ構造)の単一のモジュラリティに依存しており、そこでは近傍の原子間のエッジを3次元空間内に確立し、GNNを適用して材料表現を学ぶ。
これにより、原子の周りの局所的な化学意味論を符号化するが、空間群数、結晶対称性、回転情報などの重要な大域的な周期的構造情報を捕捉できず、異なる結晶特性に影響を及ぼす。
本研究では,資料のテキスト記述を利用して,グローバルな構造情報をグラフ構造にモデル化し,より堅牢でリッチな結晶材料表現を学習する。
そこで本研究では,まず,各資料の記述を含む結晶性材料データベースのテキストデータセットをキュレートする。
さらに,構造表現とテキスト表現の両方を融合して結晶材料の結合多様表現を生成する,単純なマルチモーダルフレームワークであるcrysmmnetを提案する。
我々は、CrysMMNetが既存の最先端のベースラインメソッドよりも優れたマージンを持つことを示すために、10の異なるプロパティにわたる2つのベンチマークデータセットに関する広範な実験を行った。
また, テキスト表現を結晶グラフ構造と融合させることで, 全SOTA GNNモデルのバニラ版と比較して一貫した改善が期待できる。
私たちは、ベンチマーク資料データベースと将来の使用のためにコミュニティの両方でキュレートしたテキストデータセットを共有しました。
関連論文リスト
- PerCNet: Periodic Complete Representation for Crystal Graphs [3.7050297294650716]
合理的な結晶表現法は、局所的および大域的な情報をキャプチャするべきである。
無限拡張結晶材料に対する周期的完全表現と計算アルゴリズムを提案する。
提案した表現に基づいて,結晶材料特性を予測するネットワークPerCNetを提案する。
論文 参考訳(メタデータ) (2023-12-03T08:55:35Z) - LLM-Prop: Predicting Physical And Electronic Properties Of Crystalline
Solids From Their Text Descriptions [4.377555282482224]
結晶構造とその特性を記述したテキストを含むベンチマークデータセットを開発し,公開する。
本研究では,大規模言語モデルの汎用学習能力を活用したLLM-Propを提案する。
我々の経験的結果は、GNNが空間群対称性に関連する情報を捕捉できないことの現況を浮き彫りにするかもしれない。
論文 参考訳(メタデータ) (2023-10-21T14:49:58Z) - Scalable Diffusion for Materials Generation [110.39595661627155]
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) - 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) - DeepCrysTet: A Deep Learning Approach Using Tetrahedral Mesh for
Predicting Properties of Crystalline Materials [0.0]
材料特性を予測するための新しい深層学習手法であるDeepCrysTetを提案する。
DeepCrysTetは、Delaunay四面体化によって生成される3次元四面体メッシュとして表される結晶構造を用いる。
実験により、DeepCrysTetは既存のGNNモデルよりも結晶構造の分類や弾性特性の予測における最先端性能に優れていた。
論文 参考訳(メタデータ) (2023-09-07T05:23:52Z) - Information Screening whilst Exploiting! Multimodal Relation Extraction
with Feature Denoising and Multimodal Topic Modeling [96.75821232222201]
既存のマルチモーダル関係抽出(MRE)研究は、内部情報過剰利用と外部情報過多という2つの共存課題に直面している。
内部情報スクリーニングと外部情報活用を同時に実現する新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2023-05-19T14:56:57Z) - CrysGNN : Distilling pre-trained knowledge to enhance property
prediction for crystalline materials [25.622724168215097]
本稿では結晶材料のための新しいトレーニング済みGNNフレームワークであるCrysGNNについて述べる。
これは、未ラベルの材料データを用いて、結晶グラフのノードレベルとグラフレベルの構造情報をキャプチャする。
我々は、事前訓練されたモデルから知識を抽出することで、全てのSOTAアルゴリズムがベニラバージョンを良好なマージンで上回ることができることを示す広範囲な実験を行った。
論文 参考訳(メタデータ) (2023-01-14T08:12:01Z) - Leveraging Orbital Information and Atomic Feature in Deep Learning Model [0.413365552362244]
本稿では,原子記述子生成とグラフ表現学習という2つの部分からなる結晶表現学習フレームワーク,Orbital CrystalNet, OCrystalNetを提案する。
OCrystalNetの能力を実証するために、Material ProjectデータセットとJARVISデータセット上で、多くの予測タスクを実行しました。
その結果,我々のモデルは,他の最先端の美術モデルに対して様々な利点があることがわかった。
論文 参考訳(メタデータ) (2022-10-29T06:22:29Z) - How to See Hidden Patterns in Metamaterials with Interpretable Machine
Learning [82.67551367327634]
我々は,材料単位セルのパターンを見つけるための,解釈可能な多分解能機械学習フレームワークを開発した。
具体的には、形状周波数特徴と単位セルテンプレートと呼ばれるメタマテリアルの2つの新しい解釈可能な表現を提案する。
論文 参考訳(メタデータ) (2021-11-10T21:19:02Z) - MOGAN: Morphologic-structure-aware Generative Learning from a Single
Image [59.59698650663925]
近年,1つの画像のみに基づく生成モデルによる完全学習が提案されている。
多様な外観のランダムなサンプルを生成するMOGANというMOrphologic-structure-aware Generative Adversarial Networkを紹介します。
合理的な構造の維持や外観の変化など、内部機能に重点を置いています。
論文 参考訳(メタデータ) (2021-03-04T12:45:23Z) - Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。
モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。
その結果,クロスバリデーションにより予測精度が期待できることがわかった。
論文 参考訳(メタデータ) (2020-05-27T13:32:10Z)
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。