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

• CrystalX: Ultra-Precision Crystal Structure Resolution and Error Correction Using Deep Learning [44.02107704258412]
  本研究では,全原子レベルでの超精密構造解析モデルであるCrystalXを開発した。 このモデルを検証するために,5万回以上のX線回折測定を行った。 このディープラーニングモデルは、結晶構造解析の時間枠に革命をもたらし、それを数秒に短縮する。
  論文  参考訳（メタデータ） (2024-10-17T16:12:55Z)
• 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)
• 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)
• Shotgun crystal structure prediction using machine-learned formation energies [3.2563787689949133]
  組み立てられた原子の結晶構造は、原子配置の広い空間内でエネルギー表面の大域的または局所的なミニマを見つけることで予測できる。 本稿では,結晶構造予測問題の解決に向けた大きな進展を示す。 我々は,機械学習エネルギー予測器を備えた仮想結晶構造の大規模なライブラリを用いて,非定常単発スクリーニングを行った。
  論文  参考訳（メタデータ） (2023-05-03T14:46:16Z)
• 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)
• 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)

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。