Fugu-MT 論文翻訳(概要): Compositional Representation of Polymorphic Crystalline Materials

論文の概要: Compositional Representation of Polymorphic Crystalline Materials

arxiv url: http://arxiv.org/abs/2312.13289v2
Date: Sun, 08 Dec 2024 00:35:38 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-10 14:47:43.537694
Title: Compositional Representation of Polymorphic Crystalline Materials
Title（参考訳）: 多形結晶材料の組成表現
Authors: Namkyeong Lee, Heewoong Noh, Gyoung S. Na, Jimeng Sun, Tianfan Fu, Marinka Zitnik, Chanyoung Park,
Abstract要約: PCRLは,構成の確率論的モデリングを用いて,利用可能な構造情報から多型を抽出する手法である。 16のデータセットに対する広範囲な評価は、構成表現の学習におけるPCRLの有効性を示す。
参考スコア（独自算出の注目度）: 56.80318252233511
License:
Abstract: Machine learning (ML) has seen promising developments in materials science, yet its efficacy largely depends on detailed crystal structural data, which are often complex and hard to obtain, limiting their applicability in real-world material synthesis processes. An alternative, using compositional descriptors, offers a simpler approach by indicating the elemental ratios of compounds without detailed structural insights. However, accurately representing materials solely with compositional descriptors presents challenges due to polymorphism, where a single composition can correspond to various structural arrangements, creating ambiguities in its representation. To this end, we introduce PCRL, a novel approach that employs probabilistic modeling of composition to capture the diverse polymorphs from available structural information. Extensive evaluations on sixteen datasets demonstrate the effectiveness of PCRL in learning compositional representation, and our analysis highlights its potential applicability of PCRL in material discovery. The source code for PCRL is available at https://github.com/Namkyeong/PCRL.
Abstract（参考訳）: 機械学習(ML)は材料科学において有望な発展を遂げてきたが、その有効性は結晶構造に関する詳細なデータに大きく依存している。構成記述子を用いる別の方法は、詳細な構造的な洞察なしに化合物の元素比を示すことによって、より単純なアプローチを提供する。しかし、構成記述子のみで正確に表現された材料は、単一の構成が様々な構造的配置に対応し、その表現の曖昧さを生じさせる多型に起因する課題を提示する。そこで本研究では,構成の確率論的モデリングを応用し,利用可能な構造情報から多型を抽出するPCRLを提案する。 16のデータセットを総合的に評価した結果, PCRLが構成表現の学習に有効であることが示され, 材料発見におけるPCRLの有効性が示唆された。 PCRLのソースコードはhttps://github.com/Namkyeong/PCRLで入手できる。

関連論文リスト

Molecular topological deep learning for polymer property prediction [18.602659324026934]
高分子特性解析のための分子トポロジカルディープラーニング(Mol-TDL)を開発した。 Mol-TDLは高次相互作用とマルチスケール特性の両方をトポロジカルディープラーニングアーキテクチャに組み込んでいる。
論文参考訳（メタデータ） (2024-10-07T05:44:02Z)
Multi-task learning for molecular electronic structure approaching coupled-cluster accuracy [9.81014501502049]
金標準CCSD(T)計算をトレーニングデータとして,有機分子の電子構造を統一した機械学習手法を開発した。炭化水素分子を用いたモデルでは, 計算コストと様々な量子化学特性の予測精度において, 広範に用いられているハイブリッド関数と二重ハイブリッド関数でDFTより優れていた。
論文参考訳（メタデータ） (2024-05-09T19:51:27Z)
Instruction Multi-Constraint Molecular Generation Using a Teacher-Student Large Language Model [49.64512917330373]
本稿では,学生に類似した多制約分子生成大言語モデルTSMMGを紹介する。 TSMMGを訓練するために、これらの「教師」から分子知識を抽出し、大量のテキスト-分子対を構築する。我々は,TSMMGが複雑で自然言語で記述された特性を満たす分子を生成できることを実験的に明らかにした。
論文参考訳（メタデータ） (2024-03-20T02:15:55Z)
Towards End-to-End Structure Solutions from Information-Compromised Diffraction Data via Generative Deep Learning [6.617784410952713]
機械学習(ML)とディープラーニング(DL)は、既に知られている構造を持つ大規模データベースから学習した事前知識を用いて、劣化した入力信号の情報を増大させるため、有望なアプローチである。ここでは、この問題にエンドツーエンドで対処する堅牢だが汎用的なツールである、バラツキクエリベースのマルチブランチディープニューラルネットワークである、新しいMLアプローチを提案する。このシステムは、既知の化学組成情報と部分的に知られている化学組成情報の両方で、目に見えない素材の真実と平均9.3.4%の類似性を達成している。
論文参考訳（メタデータ） (2023-12-23T02:17:27Z)
From molecules to scaffolds to functional groups: building context-dependent molecular representation via multi-channel learning [10.025809630976065]
本稿では,より堅牢で一般化可能な化学知識を学習する,新しい事前学習フレームワークを提案する。提案手法は,種々の分子特性ベンチマークにおける競合性能を示す。
論文参考訳（メタデータ） (2023-11-05T23:47:52Z)
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)
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)
Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
論文参考訳（メタデータ） (2023-02-04T01:32:40Z)
A graph representation of molecular ensembles for polymer property prediction [3.032184156362992]
有機分子とは対照的に、ポリマーはよく定義された単一構造ではなく、類似した分子の集合体である。本稿では,分子アンサンブルのグラフ表現と,高分子特性予測に適したグラフニューラルネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2022-05-17T20:31:43Z)
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。