論文の概要: Diffusion probabilistic models enhance variational autoencoder for
crystal structure generative modeling
- arxiv url: http://arxiv.org/abs/2308.02165v1
- Date: Fri, 4 Aug 2023 06:53:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-07 13:42:20.039241
- Title: Diffusion probabilistic models enhance variational autoencoder for
crystal structure generative modeling
- Title(参考訳): 拡散確率モデルによる結晶構造生成モデリングのための変分オートエンコーダの拡張
- Authors: Teerachote Pakornchote, Natthaphon Choomphon-anomakhun, Sorrjit
Arrerut, Chayanon Atthapak, Sakarn Khamkaeo, Thiparat Chotibut, Thiti
Bovornratanaraks
- Abstract要約: 本研究では,新しい拡散確率モデルを用いて原子座標を識別する。
提案するDP-CDVAEモデルでは,元のCDVAEと統計的に比較可能な特性を持つ結晶構造を再構成し,生成することができる。
これらの構造と真の基底状態の間のエネルギー差は、元のCDVAEによって生成されたものよりも平均68.1 meV/atom低い。
- 参考スコア(独自算出の注目度): 2.524526956420465
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The crystal diffusion variational autoencoder (CDVAE) is a machine learning
model that leverages score matching to generate realistic crystal structures
that preserve crystal symmetry. In this study, we leverage novel diffusion
probabilistic (DP) models to denoise atomic coordinates rather than adopting
the standard score matching approach in CDVAE. Our proposed DP-CDVAE model can
reconstruct and generate crystal structures whose qualities are statistically
comparable to those of the original CDVAE. Furthermore, notably, when comparing
the carbon structures generated by the DP-CDVAE model with relaxed structures
obtained from density functional theory calculations, we find that the DP-CDVAE
generated structures are remarkably closer to their respective ground states.
The energy differences between these structures and the true ground states are,
on average, 68.1 meV/atom lower than those generated by the original CDVAE.
This significant improvement in the energy accuracy highlights the
effectiveness of the DP-CDVAE model in generating crystal structures that
better represent their ground-state configurations.
- Abstract(参考訳): 結晶拡散変動オートエンコーダ(CDVAE)は、スコアマッチングを利用して結晶対称性を保持する現実的な結晶構造を生成する機械学習モデルである。
本研究では,cdvaeにおける標準スコアマッチング手法ではなく,新しい拡散確率(dp)モデルを用いて原子座標を推定する。
提案するDP-CDVAEモデルでは,元のCDVAEと統計的に比較可能な特性を持つ結晶構造を再構成し,生成することができる。
さらに, DP-CDVAEモデルにより生成された炭素構造と密度汎関数理論計算から得られた緩和構造とを比較すると, DP-CDVAE生成構造はそれぞれの基底状態にかなり近いことがわかった。
これらの構造と真の基底状態の間のエネルギー差は、元のCDVAEによって生成されたものよりも平均68.1 meV/atom低い。
このエネルギー精度の大幅な向上は、DP-CDVAEモデルが基底状態の構成をより良く表現する結晶構造を生成する上での有効性を強調している。
関連論文リスト
- Diffusion Model for Data-Driven Black-Box Optimization [54.25693582870226]
我々は、強力な生成AI技術である拡散モデルに注目し、ブラックボックス最適化の可能性について検討する。
本研究では,1)実数値報酬関数のノイズ測定と,2)対比較に基づく人間の嗜好の2種類のラベルについて検討する。
提案手法は,設計最適化問題を条件付きサンプリング問題に再構成し,拡散モデルのパワーを有効活用する。
論文 参考訳(メタデータ) (2024-03-20T00:41:12Z) - N-representable one-electron reduced density matrix reconstruction with
frozen core electrons [0.0]
量子結晶学の最近の進歩により、N表現性条件を満たす1電子還元密度行列(1-RDM)が再構成可能であることが示されている。
対称性の制約や凍結コア電子寄与を含む改良されたモデルを導入し、システムの複雑さの増大に対処する。
モデルと戦略のロバスト性は, 実際の実験散乱データから再構成問題に対処するために, 順応することが示されている。
論文 参考訳(メタデータ) (2024-03-01T13:48:05Z) - Fine-Tuned Language Models Generate Stable Inorganic Materials as Text [57.01994216693825]
テキストエンコードされた原子構造データに基づく微調整された大規模言語モデルは、実装が簡単で信頼性が高い。
我々の最強モデルは、CDVAEの約2倍の速度で準安定であると予測された物質を生成することができる。
テキストプロンプト固有の柔軟性のため、我々のモデルは安定物質を無条件に生成するために同時に使用することができる。
論文 参考訳(メタデータ) (2024-02-06T20:35:28Z) - Discrete Diffusion Modeling by Estimating the Ratios of the Data
Distribution [76.33705947080871]
離散空間に対するスコアマッチングを自然に拡張する新たな損失として,スコアエントロピーを提案する。
標準言語モデリングタスク上で,Score Entropy Discrete Diffusionモデルをテストする。
論文 参考訳(メタデータ) (2023-10-25T17:59:12Z) - 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) - 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 Structure Prediction by Joint Equivariant Diffusion [27.52168842448489]
結晶構造予測(CSP)は様々な科学分野において重要である。
本稿では, 安定結晶から構造分布を学習する新しい拡散モデルであるDiffCSPを提案する。
論文 参考訳(メタデータ) (2023-07-30T15:46:33Z) - EigenFold: Generative Protein Structure Prediction with Diffusion Models [10.24107243529341]
EigenFoldは、特定のタンパク質配列から構造分布をサンプリングする拡散生成モデリングフレームワークである。
最近のCAMEOターゲットでは、EigenFoldは0.84の中央値TMSスコアを達成し、モデルの不確実性のより包括的な画像を提供する。
論文 参考訳(メタデータ) (2023-04-05T02:46:13Z) - 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) - An Energy-Based Prior for Generative Saliency [62.79775297611203]
本稿では,情報的エネルギーベースモデルを事前分布として採用する,新たな生成正当性予測フレームワークを提案する。
生成サリエンシモデルを用いて,画像から画素単位の不確実性マップを得ることができ,サリエンシ予測におけるモデル信頼度を示す。
実験結果から, エネルギーベース先行モデルを用いた生成塩分率モデルでは, 精度の高い塩分率予測だけでなく, 人間の知覚と整合した信頼性の高い不確実性マップを実現できることが示された。
論文 参考訳(メタデータ) (2022-04-19T10:51:00Z)
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。