論文の概要: Crystal-GFN: sampling crystals with desirable properties and constraints
- arxiv url: http://arxiv.org/abs/2310.04925v1
- Date: Sat, 7 Oct 2023 21:36:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-12 14:28:12.816697
- Title: Crystal-GFN: sampling crystals with desirable properties and constraints
- Title（参考訳）: 結晶GFN:望ましい性質と制約を有する結晶のサンプリング
- Authors: Mila AI4Science and Alex Hernandez-Garcia and Alexandre Duval and
Alexandra Volokhova and Yoshua Bengio and Divya Sharma and Pierre Luc Carrier
and Micha{\l} Koziarski and Victor Schmidt
- Abstract要約: 本稿では,結晶組成,空間群,格子パラメータを逐次サンプリングする結晶構造の生成モデルであるCrystal-GFlowNetを紹介する。
マトベンチで訓練された新しいプロキシモデルにより予測された結晶構造の形成エネルギーを客観的に利用して結晶-GFlowNetの能力を評価する。
- 参考スコア（独自算出の注目度）: 106.57927403394001
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Accelerating material discovery holds the potential to greatly help mitigate
the climate crisis. Discovering new solid-state crystals such as
electrocatalysts, ionic conductors or photovoltaics can have a crucial impact,
for instance, in improving the efficiency of renewable energy production and
storage. In this paper, we introduce Crystal-GFlowNet, a generative model of
crystal structures that sequentially samples a crystal's composition, space
group and lattice parameters. This domain-inspired approach enables the
flexible incorporation of physical and geometrical constraints, as well as the
use of any available predictive model of a desired property as an objective
function. We evaluate the capabilities of Crystal-GFlowNet by using as
objective the formation energy of a crystal structure, as predicted by a new
proxy model trained on MatBench. The results demonstrate that Crystal-GFlowNet
is able to sample diverse crystals with low formation energy.
- Abstract（参考訳）: 物質発見の加速は、気候危機の緩和に大きく貢献する可能性がある。
電気触媒、イオン伝導体、太陽電池などの新しい固体結晶の発見は、再生可能エネルギー生産と貯蔵の効率向上に重要な影響を与える可能性がある。
本稿では,結晶組成,空間群,格子パラメータを逐次的にサンプリングする結晶構造の生成モデルである crystal-gflownet を紹介する。
このドメインにインスパイアされたアプローチは、物理的および幾何学的制約を柔軟に組み込むだけでなく、目的の関数として望ましい性質の任意の予測モデルを使用することを可能にする。
マトベンチで訓練された新しいプロキシモデルにより予測された結晶構造の形成エネルギーを客観的に利用して結晶-GFlowNetの能力を評価する。
その結果,Crystal-GFlowNetは低生成エネルギーの多種結晶をサンプリングできることがわかった。
関連論文リスト
- CrystalGRW: Generative Modeling of Crystal Structures with Targeted Properties via Geodesic Random Walks [1.2141052067494946]
本稿では,密度汎関数理論で検証された安定位相を予測できる拡散モデルであるCrystalGRWを紹介する。
CrystalGRWは、既存のモデルに匹敵する精度で基底状態に近い現実的な結晶構造を生成する能力を示す。
これらの特徴は、安定で対称性に富んだ結晶候補を実験的に検証することで、材料発見と逆設計を加速する。
論文 参考訳（メタデータ） (2025-01-15T18:26:35Z) - Crystal Structure Generation Based On Material Properties [7.28655553959202]
期待される材料特性から結晶構造を生成する結晶DiTモデルを提案する。
実験により,提案手法は良好な性能を示した。
論文 参考訳（メタデータ） (2024-11-13T09:36:50Z) - 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) - 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) - Unified Model for Crystalline Material Generation [9.940728137241214]
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。
論文 参考訳（メタデータ） (2023-06-07T15:23:59Z) - BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。
ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
論文 参考訳（メタデータ） (2021-06-08T10:14:57Z)
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。