論文の概要: Generative Design of Crystal Structures by Point Cloud Representations and Diffusion Model

• arxiv url: http://arxiv.org/abs/2401.13192v2
• Date: Wed, 31 Jan 2024 01:16:00 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-01 16:50:23.099258
• Title: Generative Design of Crystal Structures by Point Cloud Representations and Diffusion Model
• Title（参考訳）: 点雲表現と拡散モデルによる結晶構造生成設計
• Authors: Zhelin Li, Rami Mrad, Runxian Jiao, Guan Huang, Jun Shan, Shibing Chu and Yuanping Chen
• Abstract要約: 本稿では, 点雲表現を利用して構造情報を符号化し, 合成可能な材料を生成するための枠組みを提案する。 我々の研究は、材料設計と合成の進歩への重要な貢献である。
• 参考スコア（独自算出の注目度）: 9.463520412544812
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Efficiently generating energetically stable crystal structures has long been a challenge in material design, primarily due to the immense arrangement of atoms in a crystal lattice. To facilitate the discovery of stable material, we present a framework for the generation of synthesizable materials, leveraging a point cloud representation to encode intricate structural information. At the heart of this framework lies the introduction of a diffusion model as its foundational pillar. To gauge the efficacy of our approach, we employ it to reconstruct input structures from our training datasets, rigorously validating its high reconstruction performance. Furthermore, we demonstrate the profound potential of Point Cloud-Based Crystal Diffusion (PCCD) by generating entirely new materials, emphasizing their synthesizability. Our research stands as a noteworthy contribution to the advancement of materials design and synthesis through the cutting-edge avenue of generative design instead of the conventional substitution or experience-based discovery.
• Abstract（参考訳）: エネルギー的に安定な結晶構造を効果的に生成することは、主に結晶格子内の原子の配置によって、材料設計において長年の課題であった。 安定な物質の発見を容易にするために, 点雲表現を利用して複雑な構造情報を符号化し, 合成可能な材料を生成する枠組みを提案する。 この枠組みの核心は、基本的な柱として拡散モデルを導入することである。 提案手法の有効性を評価するため,トレーニングデータセットから入力構造を再構築し,高い復元性能を厳格に検証した。 さらに,全く新しい物質を生成し,その合成性を強調することにより,ポイントクラウドベースの結晶拡散(PCCD)の可能性を示す。 本研究は, 従来の代替や経験に基づく発見ではなく, 創発的設計の最先端の道を通して, 材料設計と合成の進歩に注目すべき貢献である。

関連論文リスト

• Crystal Structure Generation Based On Material Properties [7.28655553959202]
  期待される材料特性から結晶構造を生成する結晶DiTモデルを提案する。 実験により,提案手法は良好な性能を示した。
  論文  参考訳（メタデータ） (2024-11-13T09:36:50Z)
• Efficient Symmetry-Aware Materials Generation via Hierarchical Generative Flow Networks [52.13486402193811]
  新しい固体材料は、結晶構造の広大な空間を急速に探索し、安定した領域を探索する必要がある。 既存の手法では、大きな材料空間を探索し、望ましい特性と要求を持った多様なサンプルを生成するのに苦労している。 本研究では, 材料空間の対称性を効果的に活用し, 所望の特性を持つ結晶構造を生成するために, 階層的探索戦略を用いた新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-11-06T23:53:34Z)
• Generative Hierarchical Materials Search [91.93125016916463]
  結晶構造の制御可能な生成のための生成階層材料探索(GenMS)を提案する。 GenMSは(1)高レベル自然言語を入力とし、結晶に関する中間テキスト情報を生成する言語モデルからなる。 GenMSはまた、生成された結晶構造から特性(たとえば生成エネルギー)を予測するためにグラフニューラルネットワークを使用する。
  論文  参考訳（メタデータ） (2024-09-10T17:51:28Z)
• Space Group Informed Transformer for Crystalline Materials Generation [2.405914457225118]
  本稿では, 変圧器を用いた自己回帰モデルであるCrystalFormerを紹介した。 空間群対称性の組み入れは結晶空間を著しく単純化し、結晶材料のデータおよび効率的な生成モデリングの計算に不可欠である。
  論文  参考訳（メタデータ） (2024-03-23T06:01:45Z)
• 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)
• 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)
• 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)
• Latent Diffusion Energy-Based Model for Interpretable Text Modeling [104.85356157724372]
  本稿では,拡散モデルと潜時空間ESMの共生を変動学習フレームワークで導入する。 我々は,学習した潜在空間の品質を向上させるために,情報ボトルネックと合わせて幾何学的クラスタリングに基づく正規化を開発する。
  論文  参考訳（メタデータ） (2022-06-13T03:41:31Z)
• Physics guided deep learning generative models for crystal materials discovery [7.7755483163557155]
  Deepfakeのようなディープラーニングベースの生成モデルは、素晴らしい画像やビデオを生成することができる。 ここでは, 物理的指向性データ拡張の活用と付加により, 我々のディープ・逆数ネットワーク(GAN)に基づく生成モデルにより, より高い物理実現性を持つ結晶構造を生成可能であることを示す。
  論文  参考訳（メタデータ） (2021-12-07T06:54:48Z)

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。