論文の概要: End-to-End Crystal Structure Prediction from Powder X-Ray Diffraction

• arxiv url: http://arxiv.org/abs/2401.03862v2
• Date: Mon, 1 Apr 2024 18:09:08 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-04 09:10:18.604179
• Title: End-to-End Crystal Structure Prediction from Powder X-Ray Diffraction
• Title（参考訳）: 粉末X線回折によるエンド・ツー・エンド結晶構造予測
• Authors: Qingsi Lai, Lin Yao, Zhifeng Gao, Siyuan Liu, Hongshuai Wang, Shuqi Lu, Di He, Liwei Wang, Cheng Wang, Guolin Ke,
• Abstract要約: 本研究では,Powder X-ray Diffraction (PXRD) からエンド・ツー・エンド CSP の1次等変深部生成モデル XtalNet を紹介する。 XtalNetはPXRDを付加条件として利用し、曖昧さを排除し、単位細胞に最大400個の原子を持つ複雑な有機構造を生成する。 XtalNetは、外部データベースや手動の介入を必要とせずに、PXRDデータから複雑な構造を予測できるCSPの大幅な進歩を表している。
• 参考スコア（独自算出の注目度）: 38.68138743114247
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Crystal structure prediction (CSP) has made significant progress, but most methods focus on unconditional generations of inorganic crystal with limited atoms in the unit cell. This study introduces XtalNet, the first equivariant deep generative model for end-to-end CSP from Powder X-ray Diffraction (PXRD). Unlike previous methods that rely solely on composition, XtalNet leverages PXRD as an additional condition, eliminating ambiguity and enabling the generation of complex organic structures with up to 400 atoms in the unit cell. XtalNet comprises two modules: a Contrastive PXRD-Crystal Pretraining (CPCP) module that aligns PXRD space with crystal structure space, and a Conditional Crystal Structure Generation (CCSG) module that generates candidate crystal structures conditioned on PXRD patterns. Evaluation on two MOF datasets (hMOF-100 and hMOF-400) demonstrates XtalNet's effectiveness. XtalNet achieves a top-10 Match Rate of 90.2% and 79% for hMOF-100 and hMOF-400 datasets in conditional crystal structure prediction task, respectively. XtalNet represents a significant advance in CSP, enabling the prediction of complex structures from PXRD data without the need for external databases or manual intervention. It has the potential to revolutionize PXRD analysis. It enables the direct prediction of crystal structures from experimental measurements, eliminating the need for manual intervention and external databases. This opens up new possibilities for automated crystal structure determination and the accelerated discovery of novel materials.
• Abstract（参考訳）: 結晶構造予測(CSP)は大きな進歩を遂げているが、ほとんどの方法は単細胞に限られた原子を持つ無機結晶の無条件世代に焦点を当てている。 本研究では、Powder X-ray Diffraction (PXRD) からエンド・ツー・エンド CSP のための最初の同変深部生成モデルである XtalNet を紹介する。 組成のみに依存する従来の方法とは異なり、XtalNetはPXRDを追加条件として利用し、曖昧さを排除し、単位細胞に最大400個の原子を持つ複雑な有機構造を生成する。 XtalNetは、PXRD空間を結晶構造空間と整列するCPCPモジュールと、PXRDパターンに条件付けられた候補結晶構造を生成する条件結晶構造生成(CCSG)モジュールの2つのモジュールから構成される。 2つのMOFデータセット(hMOF-100とhMOF-400)の評価は、XtalNetの有効性を示している。 XtalNetは、条件付き結晶構造予測タスクにおいて、hMOF-100とhMOF-400データセットに対して、90.2%と79%のトップ10マッチングレートを達成した。 XtalNetは、外部データベースや手動の介入を必要とせずに、PXRDデータから複雑な構造を予測できるCSPの大幅な進歩を表している。 PXRD分析に革命をもたらす可能性がある。 これにより、実験的な測定から結晶構造の直接予測が可能になり、手動の介入や外部データベースの必要がなくなる。 これにより、結晶構造の自動決定と新規物質の発見が加速する新たな可能性が開ける。

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。