論文の概要: Towards End-to-End Structure Solutions from Information-Compromised
Diffraction Data via Generative Deep Learning
- arxiv url: http://arxiv.org/abs/2312.15136v1
- Date: Sat, 23 Dec 2023 02:17:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-27 19:37:26.812822
- Title: Towards End-to-End Structure Solutions from Information-Compromised
Diffraction Data via Generative Deep Learning
- Title（参考訳）: 生成的深層学習による情報複合回折データからの終端構造解を目指して
- Authors: Gabe Guo, Judah Goldfeder, Ling Lan, Aniv Ray, Albert Hanming Yang,
Boyuan Chen, Simon JL Billinge, Hod Lipson
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 6.617784410952713
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The revolution in materials in the past century was built on a knowledge of
the atomic arrangements and the structure-property relationship. The sine qua
non for obtaining quantitative structural information is single crystal
crystallography. However, increasingly we need to solve structures in cases
where the information content in our input signal is significantly degraded,
for example, due to orientational averaging of grains, finite size effects due
to nanostructure, and mixed signals due to sample heterogeneity. Understanding
the structure property relationships in such situations is, if anything, more
important and insightful, yet we do not have robust approaches for
accomplishing it. In principle, machine learning (ML) and deep learning (DL)
are promising approaches since they augment information in the degraded input
signal with prior knowledge learned from large databases of already known
structures. Here we present a novel ML approach, a variational query-based
multi-branch deep neural network that has the promise to be a robust but
general tool to address this problem end-to-end. We demonstrate the approach on
computed powder x-ray diffraction (PXRD), along with partial chemical
composition information, as input. We choose as a structural representation a
modified electron density we call the Cartesian mapped electron density (CMED),
that straightforwardly allows our ML model to learn material structures across
different chemistries, symmetries and crystal systems. When evaluated on
theoretically simulated data for the cubic and trigonal crystal systems, the
system achieves up to $93.4\%$ average similarity with the ground truth on
unseen materials, both with known and partially-known chemical composition
information, showing great promise for successful structure solution even from
degraded and incomplete input data.
- Abstract（参考訳）: 過去世紀の材料革命は、原子配置と構造と属性の関係に関する知識に基づいて構築された。
定量的構造情報を得るためのsine qua nonは単結晶結晶学である。
しかし, 結晶粒の配向平均化, ナノ構造による有限サイズ効果, 試料の不均質性による混合信号などにより, 入力信号中の情報内容が著しく劣化する場合, 構造はますます解決する必要がある。
このような状況における構造的特性の関係を理解することは、より重要で洞察に富むものであるが、それを達成するための堅牢なアプローチはない。
機械学習 (ML) とディープラーニング (DL) は, 既知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, 将来的なアプローチである。
本稿では,この問題を解決するための堅牢だが汎用的なツールとして,変動型クエリベースのマルチブランチ深層ニューラルネットワークであるmlアプローチを提案する。
計算粉末X線回折(PXRD)と部分化学組成情報へのアプローチを入力として示す。
我々は、カルテシア写像電子密度 (CMED) と呼ばれる構造的な電子密度の表現として選択し、MLモデルが様々な化学、対称性、結晶系の物質構造を簡単に学習できるようにする。
立方晶系および三角結晶系の理論的にシミュレーションされたデータに基づいて評価すると、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、未知の物質上の基底真理と最大9,3.4\%の平均的類似性を達成し、劣化した入力データや不完全な入力データからでも、構造解が成功する可能性を示す。
関連論文リスト
- Ab Initio Structure Solutions from Nanocrystalline Powder Diffraction Data [4.463003012243322]
材料科学における大きな課題は、ナノメートルサイズの物体の構造を決定することである。
本稿では,45,229の既知構造に基づく拡散過程に基づく生成機械学習モデルを用いた新しい手法を提案する。
我々のモデルであるPXRDnetは、対称性と複雑さの異なる200の材料にまたがる10アングストロームのシミュレーションナノ結晶を解くことに成功した。
論文 参考訳（メタデータ） (2024-06-16T03:45:03Z) - Crystalformer: Infinitely Connected Attention for Periodic Structure Encoding [10.170537065646323]
結晶構造から材料の物性を予測することは、材料科学の基本的な問題である。
結晶構造が無限に繰り返し、原子の周期的な配列であり、完全に連結された注意が無限に連結された注意をもたらすことを示す。
本稿では, 結晶構造に対する簡単なトランスフォーマーベースエンコーダアーキテクチャを提案する。
論文 参考訳（メタデータ） (2024-03-18T11:37:42Z) - Assessing Neural Network Representations During Training Using
Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。
データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。
本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文 参考訳（メタデータ） (2023-12-04T01:32:42Z) - Stoichiometry Representation Learning with Polymorphic Crystal
Structures [54.65985356122883]
確率論記述子は、構造的な情報を持たない特定の化合物を形成するために関係する要素間の比を明らかにすることができる。
本稿では,手軽に利用できる構造情報を利用して,確率論の確率的表現を学習するPolySRLを提案する。
論文 参考訳（メタデータ） (2023-11-17T20:34:28Z) - Data Distillation for Neural Network Potentials toward Foundational
Dataset [6.373914211316965]
生成モデルは 迅速に 対象のアプリケーションに 有望な材料を提案できる
しかし、生成モデルによる材料の予測特性は、アブイニシアト計算によって計算された性質と一致しないことが多い。
本研究は, 拡張アンサンブル分子動力学(MD)を用いて, 金属系, ニッケル中の液相および固相の幅広い構成を確保した。
蒸留データからトレーニングしたNNPは,これらの構造が初期データの一部ではないにもかかわらず,異なるエネルギー最小化クローズパック結晶構造を予測できることがわかった。
論文 参考訳（メタデータ） (2023-11-09T14:41:45Z) - 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) - Geometric Transformer for End-to-End Molecule Properties Prediction [92.28929858529679]
分子特性予測のためのトランスフォーマーに基づくアーキテクチャを導入し,分子の形状を捉える。
分子幾何学の初期符号化による古典的な位置エンコーダと、学習されたゲート自己保持機構を改変する。
論文 参考訳（メタデータ） (2021-10-26T14:14:40Z) - A deep learning driven pseudospectral PCE based FFT homogenization
algorithm for complex microstructures [68.8204255655161]
提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。
提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
論文 参考訳（メタデータ） (2021-10-26T07:02:14Z) - Analogical discovery of disordered perovskite oxides by crystal
structure information hidden in unsupervised material fingerprints [1.7883499160092873]
教師なしのディープラーニング戦略は,ペロブスカイト成形性および基礎となる結晶構造情報を埋め込んだ乱れた材料の指紋を見つけることができることを示す。
この現象は実験組成の結晶対称性を予測し、教師付き機械学習(ML)アルゴリズムよりも優れている。
研究されていないペロブスカイトの探索空間は、実験データを用いたMLモデルと自動化Webマイニングツールを用いて60,000個の実現可能な化合物から94%の成功率でスクリーニングされる。
論文 参考訳（メタデータ） (2021-05-25T12:25:53Z) - Meshless physics-informed deep learning method for three-dimensional
solid mechanics [0.0]
深層学習とコロケーション法は統合され、構造の変形を記述する偏微分方程式を解くために用いられる。
我々は, 線形弾性, 変形が大きい過弾性(ネオ・フーカン), 等方的およびキネマティック硬化を有するフォン・ミーゼス塑性の2種類の材料について検討した。
論文 参考訳（メタデータ） (2020-12-02T21:40:37Z) - Multilinear Compressive Learning with Prior Knowledge [106.12874293597754]
マルチリニア圧縮学習(MCL)フレームワークは、マルチリニア圧縮センシングと機械学習をエンドツーエンドシステムに統合する。
MCLの背後にある主要なアイデアは、下流学習タスクの信号から重要な特徴を捉えることのできるテンソル部分空間の存在を仮定することである。
本稿では、上記の要件、すなわち、関心の信号が分離可能なテンソル部分空間をどうやって見つけるかという、2つの要件に対処する新しい解決策を提案する。
論文 参考訳（メタデータ） (2020-02-17T19:06:05Z)
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。