論文の概要: AlphaCrystal-II: Distance matrix based crystal structure prediction using deep learning
- arxiv url: http://arxiv.org/abs/2404.04810v1
- Date: Sun, 7 Apr 2024 05:17:43 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-09 19:30:39.115358
- Title: AlphaCrystal-II: Distance matrix based crystal structure prediction using deep learning
- Title(参考訳): AlphaCrystal-II:ディープラーニングを用いた距離行列に基づく結晶構造予測
- Authors: Yuqi Song, Rongzhi Dong, Lai Wei, Qin Li, Jianjun Hu,
- Abstract要約: このAlphaCrystal-IIは、既存の結晶構造に見られる原子間相互作用パターンを多用した、知識に基づく新しいソリューションである。
既知の結晶構造の原子間関係の富を生かして、構造予測における顕著な有効性と信頼性を示す。
- 参考スコア(独自算出の注目度): 4.437756445215657
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Computational prediction of stable crystal structures has a profound impact on the large-scale discovery of novel functional materials. However, predicting the crystal structure solely from a material's composition or formula is a promising yet challenging task, as traditional ab initio crystal structure prediction (CSP) methods rely on time-consuming global searches and first-principles free energy calculations. Inspired by the recent success of deep learning approaches in protein structure prediction, which utilize pairwise amino acid interactions to describe 3D structures, we present AlphaCrystal-II, a novel knowledge-based solution that exploits the abundant inter-atomic interaction patterns found in existing known crystal structures. AlphaCrystal-II predicts the atomic distance matrix of a target crystal material and employs this matrix to reconstruct its 3D crystal structure. By leveraging the wealth of inter-atomic relationships of known crystal structures, our approach demonstrates remarkable effectiveness and reliability in structure prediction through comprehensive experiments. This work highlights the potential of data-driven methods in accelerating the discovery and design of new materials with tailored properties.
- Abstract(参考訳): 安定結晶構造の計算的予測は、新しい機能性材料の大規模発見に大きな影響を及ぼす。
しかしながら、材料の組成や公式からのみ結晶構造を予測することは、従来のab initio Crystal Structure Prediction (CSP)法が時間を要するグローバルサーチと第一原理自由エネルギー計算に依存しているため、有望だが難しい課題である。
近年のタンパク質構造予測における深層学習手法の成功に触発されて,既存の結晶構造に見られる原子間相互作用パターンの豊富な知識に基づく新しい解AlphaCrystal-IIを提案する。
AlphaCrystal-IIはターゲット結晶材料の原子距離行列を予測し、この行列を用いて結晶構造を再構築する。
既知の結晶構造の原子間関係の富を生かして, 包括的な実験による構造予測において, 顕著な有効性と信頼性を示す。
この研究は、データ駆動方式が、調整された特性を持つ新しい素材の発見と設計を加速する可能性を強調している。
関連論文リスト
- Complete and Efficient Graph Transformers for Crystal Material Property Prediction [53.32754046881189]
結晶構造は、3次元空間の正則格子に沿って繰り返される原始単位セル内の原子塩基によって特徴づけられる。
本稿では,各原子の格子に基づく表現を確立するために,単位細胞の周期パターンを利用する新しい手法を提案する。
結晶材料に特化して設計されたSE(3)トランスであるComFormerを提案する。
論文 参考訳(メタデータ) (2024-03-18T15:06:37Z) - 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) - Global optimization in the discrete and variable-dimension
conformational space: The case of crystal with the strongest atomic cohesion [0.0]
本研究では, 原子組成, 化学化学量論, 結晶構造に関する全構成空間における物理特性を最適化する計算手法を提案する。
提案手法は、全ての可能な結晶から最も強い原子凝集度を持つ結晶構造を効果的に得る。
論文 参考訳(メタデータ) (2023-02-27T06:26:09Z) - 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) - State-specific protein-ligand complex structure prediction with a
multi-scale deep generative model [68.28309982199902]
タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。
我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
論文 参考訳(メタデータ) (2022-09-30T01:46:38Z) - A data-driven interpretation of the stability of molecular crystals [0.0]
分子構造ブロックから形成される結晶構造の安定性を予測することは、非自明な科学的問題である。
本稿では, 有機結晶の硬化したデータセットに対する結合エネルギーの予測に適した構造記述子を提案する。
次に、構造エネルギーのランドスケープの低次元表現を用いて、このライブラリを解釈する。
論文 参考訳(メタデータ) (2022-09-21T23:32:53Z) - Crystal structure prediction with machine learning-based element
substitution [5.613512701893759]
与えられた化学組成によって形成されるエネルギー的に安定な結晶構造の予測は、固体物理学における中心的な問題である。
本稿では,メカニカルラーニングと呼ばれる機械学習アルゴリズムを利用した結晶構造予測の一手法を提案する。
未知の結晶構造を持つ所定のクエリ合成では、テンプレート結晶の集合を結晶構造データベースから自動的に選択する。
論文 参考訳(メタデータ) (2022-01-26T21:06:24Z) - Crystal structure prediction of materials with high symmetry using
differential evolution [0.5249805590164902]
本稿では, 遺伝的アルゴリズムを用いて, 予測された構造物の接点マップと実構造物の接点マップとのマッチングを最大化するために, 接点マップに基づく結晶構造予測法を提案する。
結晶構造を高対称性で予測する際、大域最適化アルゴリズムは化学式を満たすWPの効果的な組み合わせを見つけるのが困難であることがわかった。
提案するアルゴリズムCMCrystalHSは,不整合接触地図次元の問題を効果的に解き,高対称性の結晶構造を予測できる。
論文 参考訳(メタデータ) (2021-04-20T05:10:19Z) - Transfer Learning for Protein Structure Classification at Low Resolution [124.5573289131546]
タンパク質のクラスとアーキテクチャの正確な(geq$80%)予測を、低い(leq$3A)解像度で決定された構造から行うことができることを示す。
本稿では, 高速で低コストなタンパク質構造を低解像度で分類するための概念実証と, 機能予測への拡張の基礎を提供する。
論文 参考訳(メタデータ) (2020-08-11T15:01:32Z)
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。