論文の概要: End-to-End Crystal Structure Prediction from Powder X-Ray Diffraction
- arxiv url: http://arxiv.org/abs/2401.03862v1
- Date: Mon, 8 Jan 2024 12:50:17 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-09 16:27:57.741034
- Title: End-to-End Crystal Structure Prediction from Powder X-Ray Diffraction
- Title(参考訳): 粉末X線回折による終端結晶構造予測
- Authors: Qingsi Lai, Lin Yao, Zhifeng Gao, Siyuan Liu, Hongshuai Wang, Shuqi
Lu, Di He, Liwei Wang, Cheng Wang and Guolin Ke
- Abstract要約: 我々は,与えられたPXRDパターンに正確に一致する結晶構造を初期生成できるフレームワークであるXtalNetを提案する。
このモデルは、2つのタスクの同時実行を可能にするために、対照的な学習と拡散に基づく条件生成を利用する。
XtalNetは、データベース検索タスクで96.3%のトップ10ヒット率、ランキング構造生成タスクで95.0%のトップ10マッチレートに達した。
- 参考スコア(独自算出の注目度): 39.96844032358123
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Powder X-ray diffraction (PXRD) is a crucial means for crystal structure
determination. Such determination often involves external database matching to
find a structural analogue and Rietveld refinement to obtain finer structure.
However, databases may be incomplete and Rietveld refinement often requires
intensive trial-and-error efforts from trained experimentalists, which remains
ineffective in practice. To settle these issues, we propose XtalNet, the first
end-to-end deep learning-based framework capable of ab initio generation of
crystal structures that accurately match given PXRD patterns. The model employs
contrastive learning and Diffusion-based conditional generation to enable the
simultaneous execution of two tasks: crystal structure retrieval based on PXRD
patterns and conditional structure generations. To validate the effectiveness
of XtalNet, we curate a much more challenging and practical dataset hMOF-100,
XtalNet performs well on this dataset, reaching 96.3\% top-10 hit ratio on the
database retrieval task and 95.0\% top-10 match rate on the ranked structure
generation task.
- Abstract(参考訳): 粉末X線回折(PXRD)は結晶構造決定の重要な手段である。
このような決定には、構造的な類似物を見つけるための外部データベースマッチングや、より細かい構造を得るためのリエトヴェルト精細化が必要となる。
しかし、データベースは不完全であり、リエトヴェルト・リファインメントには訓練された実験家による集中的な試行錯誤作業がしばしば必要となる。
これらの問題を解決するために,PXRDパターンに正確に一致する結晶構造を創出できる,最初のエンドツーエンドディープラーニングベースのフレームワークであるXtalNetを提案する。
このモデルは、pxrdパターンに基づく結晶構造検索と条件構造生成の2つのタスクを同時に実行可能にするために、コントラスト学習と拡散ベースの条件生成を用いる。
xtalnetの有効性を検証するために、より挑戦的で実用的なデータセットhmof-100をキュレートし、xtalnetはデータベース検索タスクで96.3\%のトップ10ヒット率、ランキング構造生成タスクで95.0\%トップ10マッチ率に達した。
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) - Latent Conservative Objective Models for Data-Driven Crystal Structure
Prediction [62.36797874900395]
計算化学において、結晶構造予測は最適化問題である。
この問題に対処する1つのアプローチは、密度汎関数理論(DFT)に基づいてシミュレータを構築し、続いてシミュレーションで探索を実行することである。
我々は,LCOM(最近の保守的客観モデル)と呼ばれる我々の手法が,構造予測の成功率の観点から,最も優れたアプローチと同等に機能することを示す。
論文 参考訳(メタデータ) (2023-10-16T04:35:44Z) - 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) - Probabilistic Phase Labeling and Lattice Refinement for Autonomous
Material Research [20.78180998995325]
確率的XRD位相ラベリングのための効率的なアルゴリズムであるCrystalShiftを提案する。
我々は、CrystalShiftが頑健な確率を提供し、合成および実験データセットにおける既存の手法より優れていることを実証した。
効率的な位相マッピングに加えて、CrystalShiftは材料の構造パラメータに関する定量的な洞察を提供する。
論文 参考訳(メタデータ) (2023-08-15T17:38:38Z) - Neural networks trained on synthetically generated crystals can extract
structural information from ICSD powder X-ray diffractograms [0.6906005491572401]
機械学習技術は粉末X線回折画像から構造情報を抽出するのに成功している。
本稿では,各空間群の対称性演算を用いて,ランダムな座標で合成結晶を生成する方法を提案する。
我々は,1時間に数百万のオンザフライ生成された合成ディフラクトグラムに対して,Deep ResNetライクなモデルのオンライントレーニングを実演する。
論文 参考訳(メタデータ) (2023-03-21T09:37:29Z) - Geometric Deep Learning for Molecular Crystal Structure Prediction [0.0]
我々は,分子構造ランキングと結晶特性予測を高速化する新しい機械学習戦略を開発し,検証する。
私たちの密度予測モデルであるMollXtalNet-Dは、大規模で多様なテストデータセット上で2%未満の絶対誤差で、アートパフォーマンスの状態を達成します。
我々の結晶ランキングツールであるMollXtalNet-Sは、合成された偽物から実験サンプルを正しく識別する。
論文 参考訳(メタデータ) (2023-03-17T17:27:47Z) - Neural Structure Fields with Application to Crystal Structure
Autoencoders [10.680545976155173]
本稿では,ニューラルネットワークを用いた結晶構造を表現するための高精度かつ実用的なアプローチとして,ニューラル構造体(NeSF)を提案する。
NeSFは空間分解能と計算複雑性のトレードオフを克服し、任意の結晶構造を表現することができる。
ペロブスカイト構造材料や銅酸化物超伝導体などの結晶構造を復元できる結晶構造のオートエンコーダを提案する。
論文 参考訳(メタデータ) (2022-12-08T16:41:41Z) - Tracking perovskite crystallization via deep learning-based feature
detection on 2D X-ray scattering data [137.47124933818066]
本稿では,より高速なR-CNN深層学習アーキテクチャに基づくX線回折画像の自動解析パイプラインを提案する。
有機-無機ペロブスカイト構造の結晶化をリアルタイムに追跡し, 2つの応用で検証した。
論文 参考訳(メタデータ) (2022-02-22T15:39:00Z) - Disentangling multiple scattering with deep learning: application to
strain mapping from electron diffraction patterns [48.53244254413104]
我々は、高非線形電子回折パターンを定量的構造因子画像に変換するために、FCU-Netと呼ばれるディープニューラルネットワークを実装した。
結晶構造の異なる組み合わせを含む20,000以上のユニークな動的回折パターンを用いてFCU-Netを訓練した。
シミュレーションされた回折パターンライブラリ、FCU-Netの実装、訓練されたモデルの重み付けは、オープンソースリポジトリで自由に利用可能です。
論文 参考訳(メタデータ) (2022-02-01T03:53:39Z) - CRYSPNet: Crystal Structure Predictions via Neural Network [14.930208990741129]
結晶構造予測に機械学習を利用した代替手法を提案する。
我々は, 無機材料のブラベイス格子, 空間群, 格子パラメータを予測できる結晶構造予測ネットワーク(CRYSPNet)を開発した。
無機結晶構造データベース(Inorganic Crystal Structure Database)から10万以上のエントリでトレーニングされ、検証された。
論文 参考訳(メタデータ) (2020-03-31T16:05:18Z)
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。