論文の概要: Spectroscopy-Guided Discovery of Three-Dimensional Structures of
Disordered Materials with Diffusion Models
- arxiv url: http://arxiv.org/abs/2312.05472v1
- Date: Sat, 9 Dec 2023 05:40:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-12 20:33:56.798391
- Title: Spectroscopy-Guided Discovery of Three-Dimensional Structures of
Disordered Materials with Diffusion Models
- Title(参考訳): 拡散モデルを用いた不規則物質の3次元構造の発見
- Authors: Hyuna Kwon, Tim Hsu, Wenyu Sun, Wonseok Jeong, Fikret Aydin, James
Chapman, Xiao Chen, Matthew R. Carbone, Deyu Lu, Fei Zhou, and Tuan Anh Pham
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 6.97950396242977
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The ability to rapidly develop materials with desired properties has a
transformative impact on a broad range of emerging technologies. In this work,
we introduce a new framework based on the diffusion model, a recent generative
machine learning method to predict 3D structures of disordered materials from a
target property. For demonstration, we apply the model to identify the atomic
structures of amorphous carbons ($a$-C) as a representative material system
from the target X-ray absorption near edge structure (XANES) spectra--a common
experimental technique to probe atomic structures of materials. We show that
conditional generation guided by XANES spectra reproduces key features of the
target structures. Furthermore, we show that our model can steer the generative
process to tailor atomic arrangements for a specific XANES spectrum. Finally,
our generative model exhibits a remarkable scale-agnostic property, thereby
enabling generation of realistic, large-scale structures through learning from
a small-scale dataset (i.e., with small unit cells). Our work represents a
significant stride in bridging the gap between materials characterization and
atomic structure determination; in addition, it can be leveraged for materials
discovery in exploring various material properties as targeted.
- Abstract(参考訳): 所望の特性を持つ材料を迅速に開発する能力は、幅広い新興技術に変革をもたらす。
本研究では,拡散モデルに基づく新しいフレームワークを導入し,対象特性から乱れた材料の3次元構造を予測するための新しい生成機械学習手法を提案する。
実演のために, アモルファス炭素(a$-c)の原子構造を対象のx線吸収近縁構造(xanes)スペクトルから代表する物質系として同定するモデルを適用した。
XANESスペクトルで導かれる条件生成は,対象構造の重要な特徴を再現することを示す。
さらに, 本モデルは, 生成過程を制御し, 特定のxanesスペクトルの原子配置を調整できることを示した。
最後に,本生成モデルは,小規模データセット(すなわち,小単位セル)から学習することで,現実的な大規模構造を生成できる,顕著なスケール非依存性を示す。
本研究は, 材料キャラクタリゼーションと原子構造決定のギャップを橋渡しするための重要な一歩であり, さらに, 様々な材料特性を対象とする探究において, 材料発見に活用できる。
関連論文リスト
- 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) - 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) - Atomic and Subgraph-aware Bilateral Aggregation for Molecular
Representation Learning [57.670845619155195]
我々は、原子とサブグラフを意識したバイラテラルアグリゲーション(ASBA)と呼ばれる分子表現学習の新しいモデルを導入する。
ASBAは、両方の種類の情報を統合することで、以前の原子単位とサブグラフ単位のモデルの限界に対処する。
本手法は,分子特性予測のための表現をより包括的に学習する方法を提供する。
論文 参考訳(メタデータ) (2023-05-22T00:56:00Z) - Decoding Structure-Spectrum Relationships with Physically Organized
Latent Spaces [6.36075035468233]
構造スペクトル関係の発見のための半教師付き機械学習手法を開発し,実証した。
本手法は,個々の構造記述子とスペクトル傾向の1対1マッピングを構成する。
RankAAE法は連続的かつ解釈可能な潜在空間を生成し、各次元は個々の構造記述子を追跡することができる。
論文 参考訳(メタデータ) (2023-01-11T21:30:22Z) - Atomic structure generation from reconstructing structural fingerprints [1.2128971613239876]
本稿では、原子中心対称性関数を表現として、条件付き変分オートエンコーダを生成モデルとして、エンドツーエンド構造生成手法を提案する。
我々は、概念実証として、サブナノメーターPtナノ粒子の新規で有効な原子構造を生成することに成功した。
論文 参考訳(メタデータ) (2022-07-27T00:42:59Z) - Unsupervised Machine Learning for Exploratory Data Analysis of Exoplanet
Transmission Spectra [68.8204255655161]
我々は、通過する太陽系外惑星のスペクトルデータを解析するための教師なし手法に焦点をあてる。
スペクトルデータには、適切な低次元表現を要求する高い相関関係があることが示される。
主成分に基づく興味深い構造、すなわち、異なる化学状態に対応する明確に定義された分岐を明らかにする。
論文 参考訳(メタデータ) (2022-01-07T22:26:33Z) - 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) - 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) - Deep learning for synthetic microstructure generation in a
materials-by-design framework for heterogeneous energetic materials [0.0]
化学反応のマルチスケール予測モデルは、メソスケールの物理を説明する。
メソスケール物理は、メソスケールの解決されたシミュレーションによって誘導される機械学習閉包モデルに注入される。
本稿では, 合成ヘテロジニアス系エネルギー材料マイクロ構造のアンサンブルを生成するために, GAN(Generative Adversarial Network)を活用することを提案する。
論文 参考訳(メタデータ) (2020-04-05T16:58:31Z)
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。