Fugu-MT 論文翻訳(概要): DeepCrysTet: A Deep Learning Approach Using Tetrahedral Mesh for Predicting Properties of Crystalline Materials

論文の概要: DeepCrysTet: A Deep Learning Approach Using Tetrahedral Mesh for Predicting Properties of Crystalline Materials

arxiv url: http://arxiv.org/abs/2310.06852v1
Date: Thu, 7 Sep 2023 05:23:52 GMT
ステータス: 処理完了
システム内更新日: 2023-10-23 03:21:10.357271
Title: DeepCrysTet: A Deep Learning Approach Using Tetrahedral Mesh for Predicting Properties of Crystalline Materials
Title（参考訳）: DeepCrysTet: 結晶材料の特性予測のためのテトラドラルメッシュを用いた深層学習手法
Authors: Hirofumi Tsuruta, Yukari Katsura, Masaya Kumagai
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Machine learning (ML) is becoming increasingly popular for predicting material properties to accelerate materials discovery. Because material properties are strongly affected by its crystal structure, a key issue is converting the crystal structure into the features for input to the ML model. Currently, the most common method is to convert the crystal structure into a graph and predicting its properties using a graph neural network (GNN). Some GNN models, such as crystal graph convolutional neural network (CGCNN) and atomistic line graph neural network (ALIGNN), have achieved highly accurate predictions of material properties. Despite these successes, using a graph to represent a crystal structure has the notable limitation of losing the crystal structure's three-dimensional (3D) information. In this work, we propose DeepCrysTet, a novel deep learning approach for predicting material properties, which uses crystal structures represented as a 3D tetrahedral mesh generated by Delaunay tetrahedralization. DeepCrysTet provides a useful framework that includes a 3D mesh generation method, mesh-based feature design, and neural network design. The experimental results using the Materials Project dataset show that DeepCrysTet significantly outperforms existing GNN models in classifying crystal structures and achieves state-of-the-art performance in predicting elastic properties.
Abstract（参考訳）: 機械学習(ML)は、材料発見を加速するために材料特性を予測するために人気が高まっている。材料特性はその結晶構造に強く影響されるため、重要な問題は結晶構造をMLモデルに入力するための特徴に変換することである。現在最も一般的な方法は、結晶構造をグラフに変換し、グラフニューラルネットワーク(GNN)を用いてその特性を予測することである。 cgcnn(crystal graph convolutional neural network)やalignn(atomistic line graph neural network)などいくつかのgnnモデルは、材料特性の高精度な予測を達成している。これらの成功にもかかわらず、結晶構造を表すグラフを使用すると、結晶構造の3次元情報を失うという顕著な制限がある。本研究では,dlaunay tetrahedralizationによって生成された3次元四面体メッシュとして表される結晶構造を用いて,材料特性を予測する新しい深層学習手法であるdeepcrystetを提案する。 DeepCrysTetは、3Dメッシュ生成方法、メッシュベースの機能設計、ニューラルネットワーク設計を含む有用なフレームワークを提供する。材料プロジェクトデータセットを用いた実験の結果,deepcrystetは,結晶構造の分類において既存のgnnモデルを大きく上回り,弾性特性の予測において最先端の性能を達成した。

関連論文リスト

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)
CrysAtom: Distributed Representation of Atoms for Crystal Property Prediction [0.0]
物質科学の文献では、結晶性物質がトポロジカルな構造を示すことはよく知られている。本稿では,原子の密度ベクトル表現を生成するために,無相関結晶データを用いた教師なしフレームワーク,CrysAtomを提案する。
論文参考訳（メタデータ） (2024-09-07T06:58:55Z)
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)
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)
Distance Weighted Trans Network for Image Completion [52.318730994423106]
本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
論文参考訳（メタデータ） (2023-10-11T12:46:11Z)
Substitutional Alloying Using Crystal Graph Neural Networks [0.0]
グラフニューラルネットワーク(GNN)は、結晶によって形成されるグラフの直接学習表現を可能にする。 CGNNを用いてDFTレベルの精度で結晶特性を予測し、原子(ノード/頂点)、結合(エッジ)、大域状態の属性を符号化したグラフを通して予測する。我々はDFT検証を行い、生成エネルギーと構造特性の予測精度を評価する。
論文参考訳（メタデータ） (2023-06-19T08:18:17Z)
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)
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)
Orbital Graph Convolutional Neural Network for Material Property Prediction [0.0]
本稿では,結晶グラフ畳み込みニューラルネットワークフレームワークであるOrbital Graph Convolutional Neural Network (OGCNN)を提案する。 OGCNNには、材料特性を堅牢な方法で学習する原子軌道相互作用機能が含まれている。本研究では, このモデルの性能について, 様々な特性を予測するために, 広範囲の結晶材料データを用いて検討した。
論文参考訳（メタデータ） (2020-08-14T15:22:22Z)
Learning Local Neighboring Structure for Robust 3D Shape Representation [143.15904669246697]
3Dメッシュの表現学習は多くのコンピュータビジョンやグラフィックスアプリケーションにおいて重要である。局所構造認識型異方性畳み込み操作(LSA-Conv)を提案する。本モデルでは,3次元形状復元において最先端の手法に比べて顕著な改善が得られた。
論文参考訳（メタデータ） (2020-04-21T13:40:03Z)

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。