Fugu-MT 論文翻訳(概要): Scalable Diffusion for Materials Generation

論文の概要: Scalable Diffusion for Materials Generation

arxiv url: http://arxiv.org/abs/2311.09235v1
Date: Wed, 18 Oct 2023 15:49:39 GMT
ステータス: 処理完了
システム内更新日: 2023-11-19 14:05:55.632425
Title: Scalable Diffusion for Materials Generation
Title（参考訳）: 材料生成のためのスケーラブル拡散
Authors: Mengjiao Yang, KwangHwan Cho, Amil Merchant, Pieter Abbeel, Dale Schuurmans, Igor Mordatch, Ekin Dogus Cubuk
Abstract要約: 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。
参考スコア（独自算出の注目度）: 110.39595661627155
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Generative models trained on internet-scale data are capable of generating novel and realistic texts, images, and videos. A natural next question is whether these models can advance science, for example by generating novel stable materials. Traditionally, models with explicit structures (e.g., graphs) have been used in modeling structural relationships in scientific data (e.g., atoms and bonds in crystals), but generating structures can be difficult to scale to large and complex systems. Another challenge in generating materials is the mismatch between standard generative modeling metrics and downstream applications. For instance, common metrics such as the reconstruction error do not correlate well with the downstream goal of discovering stable materials. In this work, we tackle the scalability challenge by developing a unified crystal representation that can represent any crystal structure (UniMat), followed by training a diffusion probabilistic model on these UniMat representations. Our empirical results suggest that despite the lack of explicit structure modeling, UniMat can generate high fidelity crystal structures from larger and more complex chemical systems, outperforming previous graph-based approaches under various generative modeling metrics. To better connect the generation quality of materials to downstream applications, such as discovering novel stable materials, we propose additional metrics for evaluating generative models of materials, including per-composition formation energy and stability with respect to convex hulls through decomposition energy from Density Function Theory (DFT). Lastly, we show that conditional generation with UniMat can scale to previously established crystal datasets with up to millions of crystals structures, outperforming random structure search (the current leading method for structure discovery) in discovering new stable materials.
Abstract（参考訳）: インターネットスケールのデータで訓練された生成モデルは、新しく現実的なテキスト、画像、ビデオを生成することができる。次の自然な疑問は、新しい安定物質を生成するなど、これらのモデルが科学を前進させることができるかどうかである。伝統的に、明示的な構造を持つモデル(グラフなど)は、科学データ(例えば結晶中の原子や結合)の構造関係のモデル化に使われてきたが、大規模で複雑なシステムにスケールすることは困難である。材料生成におけるもうひとつの課題は、標準生成モデリングメトリクスと下流アプリケーションとのミスマッチである。例えば、レコンストラクションエラーのような一般的な指標は、安定した材料の発見という下流の目標とよく相関しない。本研究では,任意の結晶構造を表現可能な統一結晶表現(UniMat)を開発し,これらのUniMat表現上で拡散確率モデルを訓練することによって,拡張性に挑戦する。実験の結果,UniMatは明示的な構造モデリングの欠如にもかかわらず,より大規模で複雑な化学系から高忠実度結晶構造を生成できることが示唆された。新規な安定物質発見などの下流応用への材料生成の質向上を図るため,密度関数理論(DFT)の分解エネルギーを通した凸殻に対するコンベックス生成エネルギーと安定性を含む材料生成モデルを評価するための追加指標を提案する。最後に、UniMatを用いた条件付き生成は、数百万の結晶構造を持つ既存の結晶データセットにスケール可能であることを示し、新しい安定物質を発見する上で、ランダムな構造探索(構造発見の現在の先導方法)よりも優れていることを示す。

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)
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)
Generative Inverse Design of Crystal Structures via Diffusion Models with Transformers [1.2289361708127877]
有望な性質を持つ新しい無機材料は、科学的にも工業的にも重要な課題である。有望な性質を持つ新しい無機材料の発見は、科学的にも工業的にも重要な課題である。そこで本研究では,トランスフォーマーアーキテクチャに基づくバックボーンを用いた,結晶構造の生成的逆設計のための新しいタイプの拡散モデルについて検討する。
論文参考訳（メタデータ） (2024-06-13T16:03:15Z)
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)
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)
Crystal-GFN: sampling crystals with desirable properties and constraints [103.79058968784163]
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。
論文参考訳（メタデータ） (2023-10-07T21:36:55Z)
Evaluating the diversity and utility of materials proposed by generative models [38.85523285991743]
本稿では, 逆設計プロセスの一部として, 物理誘導結晶生成モデルという, 最先端の生成モデルを用いる方法を示す。本研究は, 逆設計を改善するために, 生成モデルをどのように改善するかを示唆する。
論文参考訳（メタデータ） (2023-08-09T14:42:08Z)
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)
Physics guided deep learning generative models for crystal materials discovery [7.7755483163557155]
Deepfakeのようなディープラーニングベースの生成モデルは、素晴らしい画像やビデオを生成することができる。ここでは, 物理的指向性データ拡張の活用と付加により, 我々のディープ・逆数ネットワーク(GAN)に基づく生成モデルにより, より高い物理実現性を持つ結晶構造を生成可能であることを示す。
論文参考訳（メタデータ） (2021-12-07T06:54:48Z)
Learning Neural Generative Dynamics for Molecular Conformation Generation [89.03173504444415]
分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
論文参考訳（メタデータ） (2021-02-20T03:17:58Z)

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。