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
- Space Group Informed Transformer for Crystalline Materials Generation [2.405914457225118]
本稿では,変圧器を用いた空間群制御結晶生成のための自己回帰モデルであるCrystalFormerを紹介する。
クリスタルホルマーは、単位セル内の対称性に等価な原子の種類と位置を直接予測することで結晶を生成することを学ぶ。
以上の結果から,CrystalFormerは標準ベンチマークにおいて,生成した結晶材料の正当性,新奇性,安定性の両立を図っている。
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) - Crystalformer: Infinitely Connected Attention for Periodic Structure Encoding [10.170537065646323]
結晶構造から材料の物性を予測することは、材料科学の基本的な問題である。
結晶構造が無限に繰り返し、原子の周期的な配列であり、完全に連結された注意が無限に連結された注意をもたらすことを示す。
本稿では, 結晶構造に対する簡単なトランスフォーマーベースエンコーダアーキテクチャを提案する。
論文 参考訳(メタデータ) (2024-03-18T11:37:42Z) - 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) - 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) - Neural Structure Fields with Application to Crystal Structure
Autoencoders [10.680545976155173]
本稿では,ニューラルネットワークを用いた結晶構造を表現するための高精度かつ実用的なアプローチとして,ニューラル構造体(NeSF)を提案する。
NeSFは空間分解能と計算複雑性のトレードオフを克服し、任意の結晶構造を表現することができる。
ペロブスカイト構造材料や銅酸化物超伝導体などの結晶構造を復元できる結晶構造のオートエンコーダを提案する。
論文 参考訳(メタデータ) (2022-12-08T16:41:41Z) - Normalizing flows for atomic solids [67.70049117614325]
原子状固体をモデル化するための正規化フローに基づく機械学習手法を提案する。
我々は,単原子水としてモデル化された立方晶および六角形氷のヘルムホルツ自由エネルギー推定と,切り離されたレナード・ジョーンズ系について報告する。
以上の結果から, 結晶形状に制約を加えることなく, 流動の正規化により, 固体の高品質な試料と自由エネルギー推定が可能であることが示唆された。
論文 参考訳(メタデータ) (2021-11-16T18:54:49Z) - 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。