Fugu-MT 論文翻訳(概要): MatterGen: a generative model for inorganic materials design

論文の概要: MatterGen: a generative model for inorganic materials design

arxiv url: http://arxiv.org/abs/2312.03687v2
Date: Mon, 29 Jan 2024 16:02:46 GMT
ステータス: 処理完了
システム内更新日: 2024-01-30 21:11:31.648996
Title: MatterGen: a generative model for inorganic materials design
Title（参考訳）: MatterGen: 無機材料設計のための生成モデル
Authors: Claudio Zeni, Robert Pinsler, Daniel Z\"ugner, Andrew Fowler, Matthew Horton, Xiang Fu, Sasha Shysheya, Jonathan Crabb\'e, Lixin Sun, Jake Smith, Bichlien Nguyen, Hannes Schulz, Sarah Lewis, Chin-Wei Huang, Ziheng Lu, Yichi Zhou, Han Yang, Hongxia Hao, Jielan Li, Ryota Tomioka, Tian Xie
Abstract要約: 本稿では,周期表上で安定かつ多様な無機物質を生成するモデルであるMatterGenを提案する。 MatterGenが生成した以前の生成モデルと比較すると、新規で安定な構造になる確率は2倍以上である。磁気密度の高い構造と,サプライチェーンリスクの低い化学組成を兼ね備えた多目的材料設計能力を実証した。
参考スコア（独自算出の注目度）: 20.119976243451216
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The design of functional materials with desired properties is essential in driving technological advances in areas like energy storage, catalysis, and carbon capture. Generative models provide a new paradigm for materials design by directly generating entirely novel materials given desired property constraints. Despite recent progress, current generative models have low success rate in proposing stable crystals, or can only satisfy a very limited set of property constraints. Here, we present MatterGen, a model that generates stable, diverse inorganic materials across the periodic table and can further be fine-tuned to steer the generation towards a broad range of property constraints. To enable this, we introduce a new diffusion-based generative process that produces crystalline structures by gradually refining atom types, coordinates, and the periodic lattice. We further introduce adapter modules to enable fine-tuning towards any given property constraints with a labeled dataset. Compared to prior generative models, structures produced by MatterGen are more than twice as likely to be novel and stable, and more than 15 times closer to the local energy minimum. After fine-tuning, MatterGen successfully generates stable, novel materials with desired chemistry, symmetry, as well as mechanical, electronic and magnetic properties. Finally, we demonstrate multi-property materials design capabilities by proposing structures that have both high magnetic density and a chemical composition with low supply-chain risk. We believe that the quality of generated materials and the breadth of MatterGen's capabilities represent a major advancement towards creating a universal generative model for materials design.
Abstract（参考訳）: 機能性材料の設計は、エネルギー貯蔵、触媒、炭素捕獲といった分野における技術進歩の推進に不可欠である。生成モデルは、望まれる特性制約を直接生成することによって、材料設計の新しいパラダイムを提供する。最近の進歩にもかかわらず、現在の生成モデルは安定結晶の提案において成功率が低いか、非常に限られた性質制約しか満たせない。本稿では,安定かつ多様な無機物質を周期表上で生成するモデルであるMatterGenについて述べる。そこで本研究では, 原子型, 座標, 周期格子を徐々に精錬し, 結晶構造を生成する新しい拡散系生成法を提案する。さらに、ラベル付きデータセットで任意のプロパティ制約に対して微調整を可能にするアダプタモジュールを導入します。以前の生成モデルと比較すると、マターゲンが生成する構造は、新規で安定である確率が2倍以上であり、局所エネルギー最小値の15倍以上である。微調整後、マターゲンは、機械的、電子的、磁気的性質だけでなく、所望の化学、対称性を持つ安定で新しい材料を作り出すことに成功した。最後に, 高密度構造とサプライチェーンリスクの低い化学組成を同時に提案することにより, 多特性材料設計能力を示す。我々は,生成材料の品質とMatterGenの能力の広さが,材料設計の普遍的生成モデル構築への大きな進展を示していると考えている。

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)
Structural Constraint Integration in Generative Model for Discovery of Quantum Material Candidates [27.416978540039878]
遺伝子モデル(SCIGEN)における構造制約の統合について紹介する。プロトタイプの制約としてアルキメデス格子を用いて800万の化合物を生成し, 10%以上の安定性が維持されている。量子材料の性質は幾何学的パターンと密接に関連しているため、SCIGENは量子材料候補を生成するための一般的な枠組みを提供することを示す。
論文参考訳（メタデータ） (2024-07-05T14:42:54Z)
Spectroscopy-Guided Discovery of Three-Dimensional Structures of Disordered Materials with Diffusion Models [6.97950396242977]
対象物から乱れた材料の3次元構造を予測するための拡散モデルに基づく新しいフレームワークを提案する。我々のモデルは、特定のXANESスペクトルの原子配列を調整するための生成過程を制御できることを示します。本研究は, 材料評価と原子構造決定のギャップを埋める上で, 重要な歩みを示している。
論文参考訳（メタデータ） (2023-12-09T05:40:10Z)
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)
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)
Physics Guided Generative Adversarial Networks for Generations of Crystal Materials with Symmetry Constraints [9.755053639966185]
新たな材料生成のための物理ガイド結晶生成モデル(PGCGM)を提案する。物質の塩基性原子サイトを増大させることで、20個の空間群からなる新しい物質を生成できる。本手法により, 発電機の有効性は, ベースラインの8倍に向上する。
論文参考訳（メタデータ） (2022-03-27T17:21:36Z)
How to See Hidden Patterns in Metamaterials with Interpretable Machine Learning [82.67551367327634]
我々は,材料単位セルのパターンを見つけるための,解釈可能な多分解能機械学習フレームワークを開発した。具体的には、形状周波数特徴と単位セルテンプレートと呼ばれるメタマテリアルの2つの新しい解釈可能な表現を提案する。
論文参考訳（メタデータ） (2021-11-10T21:19:02Z)
Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。その結果,クロスバリデーションにより予測精度が期待できることがわかった。
論文参考訳（メタデータ） (2020-05-27T13:32:10Z)

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。