論文の概要: Crystal-GFN: sampling crystals with desirable properties and constraints
- arxiv url: http://arxiv.org/abs/2310.04925v2
- Date: Wed, 13 Dec 2023 16:24:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-14 20:14:03.033755
- 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 Yasmine Benabed and Micha{\l} Koziarski and Victor Schmidt
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 103.79058968784163
- 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 materials such as
electrocatalysts, super-ionic conductors or photovoltaic materials can have a
crucial impact, for instance, in improving the efficiency of renewable energy
production and storage. In this paper, we introduce Crystal-GFN, a generative
model of crystal structures that sequentially samples structural properties of
crystalline materials, namely the space group, composition and lattice
parameters. This domain-inspired approach enables the flexible incorporation of
physical and structural hard constraints, as well as the use of any available
predictive model of a desired physicochemical property as an objective
function. To design stable materials, one must target the candidates with the
lowest formation energy. Here, we use as objective the formation energy per
atom of a crystal structure predicted by a new proxy machine learning model
trained on MatBench. The results demonstrate that Crystal-GFN is able to sample
highly diverse crystals with low (median -3.1 eV/atom) predicted 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、超イオン伝導体、太陽電池などの新しい固体材料の発見は、例えば再生可能エネルギーの生産と貯蔵の効率を向上させる上で重要な影響を与える可能性がある。
本稿では,結晶構造の生成モデルである crystal-gfn について紹介する。
このドメインにインスパイアされたアプローチは、物理的および構造的制約を柔軟に組み込むだけでなく、目的関数として所望の物理化学的特性の任意の予測モデルを使用することを可能にする。
安定な材料を設計するには、最低生成エネルギーの候補を標的にする必要がある。
ここでは,matbenchで学習した新しいプロキシ機械学習モデルによって予測される結晶構造の原子当たりの生成エネルギーを目的とする。
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。
関連論文リスト
- 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) - 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) - Fast predictions of lattice energies by continuous isometry invariants
of crystal structures [1.4699455652461724]
結晶構造予測 (CSP) は、原子、イオン、分子の周期的な配置を最適化することで、固体結晶物質を発見することを目的としている。
CSPは、数百万のシミュレートされた結晶のエネルギー最小化が遅いため、スーパーコンピュータ時間に数週間かかる。
周期幾何学の新しい領域は、原子の摂動の下でも連続であるより高速な等尺不変量を提供する。
論文 参考訳(メタデータ) (2021-08-11T16:49:56Z) - 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。