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
- 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) - 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) - 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) - 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) - 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)
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。