論文の概要: Space Group Constrained Crystal Generation

• arxiv url: http://arxiv.org/abs/2402.03992v1
• Date: Tue, 6 Feb 2024 13:45:01 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-07 14:41:33.102106
• Title: Space Group Constrained Crystal Generation
• Title（参考訳）: 宇宙群制約結晶生成
• Authors: Rui Jiao, Wenbing Huang, Yu Liu, Deli Zhao, Yang Liu
• Abstract要約: 宇宙群の制約は結晶の幾何学を記述するのに不可欠であり、多くの望ましい性質に密接に関係している。 本稿では,空間群制約を,生成プロセスに手作業で組み込むことが可能な等価な定式化に還元する。 次に,空間群制約を考慮し,従来のDiffCSPを拡張した新しい拡散モデルDiffCSP++を提案する。
• 参考スコア（独自算出の注目度）: 34.06719843493811
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Crystals are the foundation of numerous scientific and industrial applications. While various learning-based approaches have been proposed for crystal generation, existing methods seldom consider the space group constraint which is crucial in describing the geometry of crystals and closely relevant to many desirable properties. However, considering space group constraint is challenging owing to its diverse and nontrivial forms. In this paper, we reduce the space group constraint into an equivalent formulation that is more tractable to be handcrafted into the generation process. In particular, we translate the space group constraint into two parts: the basis constraint of the invariant logarithmic space of the lattice matrix and the Wyckoff position constraint of the fractional coordinates. Upon the derived constraints, we then propose DiffCSP++, a novel diffusion model that has enhanced a previous work DiffCSP by further taking space group constraint into account. Experiments on several popular datasets verify the benefit of the involvement of the space group constraint, and show that our DiffCSP++ achieves promising performance on crystal structure prediction, ab initio crystal generation and controllable generation with customized space groups.
• Abstract（参考訳）: 結晶は多くの科学・産業応用の基礎となっている。 結晶生成に様々な学習ベースのアプローチが提案されているが、既存の手法では結晶の幾何学を記述する上で重要な空間群制約を考えることはほとんどない。 しかし、空間群制約を考えることは、その多様かつ非自明な形式のために困難である。 本稿では,空間群の制約を,生成プロセスに手作業で組み込むのがより容易な等価な定式化に還元する。 特に、空間群制約を格子行列の不変対数空間の基底制約と分数座標のワイコフ位置制約の2つの部分に変換する。 導出制約に基づき、空間群制約をさらに考慮し、従来のDiffCSPを拡張した新しい拡散モデルDiffCSP++を提案する。 いくつかの一般的なデータセットの実験は、空間群制約の関与の利点を検証し、我々のDiffCSP++が、結晶構造予測、ab初期結晶生成、およびカスタマイズされた空間群による制御可能な生成において有望な性能を達成することを示す。

関連論文リスト

• 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)
• Compositional Diffusion-Based Continuous Constraint Solvers [98.1702285470628]
  本稿では,ロボット推論と計画における連続的制約満足度問題(CCSP)の解法について紹介する。 対照的に、構成拡散連続制約解法(Diffusion-CCSP)は、CCSPに対する大域的な解を導出する。
  論文  参考訳（メタデータ） (2023-09-02T15:20:36Z)
• Crystal Structure Prediction by Joint Equivariant Diffusion [27.52168842448489]
  結晶構造予測(CSP)は様々な科学分野において重要である。 本稿では, 安定結晶から構造分布を学習する新しい拡散モデルであるDiffCSPを提案する。
  論文  参考訳（メタデータ） (2023-07-30T15:46:33Z)
• On Differential Privacy and Adaptive Data Analysis with Bounded Space [76.10334958368618]
  差分プライバシーと適応データ分析の2つの関連分野の空間複雑性について検討する。 差分プライバシーで効率的に解くために指数関数的に多くの空間を必要とする問題Pが存在することを示す。 アダプティブデータ分析の研究の行は、アダプティブクエリのシーケンスに応答するのに必要なサンプルの数を理解することに焦点を当てている。
  論文  参考訳（メタデータ） (2023-02-11T14:45:31Z)
• Continuous percolation in a Hilbert space for a large system of qubits [58.720142291102135]
  パーコレーション遷移は無限クラスターの出現によって定義される。 ヒルベルト空間の指数的に増加する次元性は、有限サイズの超球面による被覆を非効率にすることを示す。 コンパクトな距離空間におけるパーコレーション遷移への我々のアプローチは、他の文脈での厳密な処理に有用である。
  論文  参考訳（メタデータ） (2022-10-15T13:53:21Z)
• Topological space-time crystal [1.0152838128195467]
  我々は、新しい非平衡非相互作用トポロジカル相、トポロジカル時空結晶を導入する。 これらは離散空間変換対称性を持たない時間依存量子系であり、代わりに離散時空間変換の下で不変である。
  論文  参考訳（メタデータ） (2022-01-10T19:00:02Z)
• Partition-Guided GANs [63.980473635585234]
  私たちは、スペースを小さな領域に分割し、それぞれがよりシンプルな分布を持ち、各パーティションごとに異なるジェネレータを訓練するパーティションーを設計します。 これはラベルを必要とせずに教師なしの方法で実行される。 各種標準ベンチマーク実験の結果,提案手法が近年の手法を上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-04-02T00:06:53Z)
• A Critique of Self-Expressive Deep Subspace Clustering [23.971512395191308]
  サブスペースクラスタリング(Subspace clustering)は、線形サブスペースの和集合上でサポートされているデータをクラスタリングするために設計された、教師なしクラスタリング技術である。 従来の作業では適切に対処されていなかったこのアプローチには,潜在的な欠陥がいくつかあることを示す。
  論文  参考訳（メタデータ） (2020-10-08T00:14:59Z)
• Is an Affine Constraint Needed for Affine Subspace Clustering? [27.00532615975731]
  コンピュータビジョンアプリケーションでは、サブスペースは線形であり、サブスペースクラスタリング法を直接適用することができる。 運動セグメンテーションでは、部分空間はアフィンであり、係数に対する追加のアフィン制約はしばしば強制される。 本稿では,アフィン空間の次元がアフィン部分空間の次元の和に対して高い場合,アフィン制約がクラスタリング性能に無視できない効果を持つことを示す。
  論文  参考訳（メタデータ） (2020-05-08T07:52:17Z)
• Effect of The Latent Structure on Clustering with GANs [13.970914037707724]
  本稿では, GANの生成空間におけるクラスタリングの問題に着目し, 潜在空間の特性との関係を明らかにする。 我々は、第一原則、GANフレームワークにおける忠実なクラスタリングを達成するために必要な必要かつ十分な条件から導き出します。 また,スパース監視によるクラスタ事前学習を容易にするマルチモーダル潜在空間の構築手順についても述べる。
  論文  参考訳（メタデータ） (2020-05-05T18:52:49Z)

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。