論文の概要: Crystal-LSBO: Automated Design of De Novo Crystals with Latent Space Bayesian Optimization

• arxiv url: http://arxiv.org/abs/2405.17881v2
• Date: Sat, 28 Sep 2024 01:25:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-01 21:59:19.230143
• Title: Crystal-LSBO: Automated Design of De Novo Crystals with Latent Space Bayesian Optimization
• Title（参考訳）: Crystal-LSBO:潜時空間ベイズ最適化によるデノボ結晶の自動設計
• Authors: Onur Boyar, Yanheng Gu, Yuji Tanaka, Shunsuke Tonogai, Tomoya Itakura, Ichiro Takeuchi,
• Abstract要約: 本研究では、探索性を高めるために特別に調整された結晶のデノボ設計フレームワークであるCrystal-LSBOを紹介する。 本研究は,デ・ノボ結晶設計におけるLSBOの利用の先駆者であり,最適化タスクによる有効性を示すものである。
• 参考スコア（独自算出の注目度）: 11.988832749427077
• License:
• Abstract: Generative modeling of crystal structures is significantly challenged by the complexity of input data, which constrains the ability of these models to explore and discover novel crystals. This complexity often confines de novo design methodologies to merely small perturbations of known crystals and hampers the effective application of advanced optimization techniques. One such optimization technique, Latent Space Bayesian Optimization (LSBO) has demonstrated promising results in uncovering novel objects across various domains, especially when combined with Variational Autoencoders (VAEs). Recognizing LSBO's potential and the critical need for innovative crystal discovery, we introduce Crystal-LSBO, a de novo design framework for crystals specifically tailored to enhance explorability within LSBO frameworks. Crystal-LSBO employs multiple VAEs, each dedicated to a distinct aspect of crystal structure: lattice, coordinates, and chemical elements, orchestrated by an integrative model that synthesizes these components into a cohesive output. This setup not only streamlines the learning process but also produces explorable latent spaces thanks to the decreased complexity of the learning task for each model, enabling LSBO approaches to operate. Our study pioneers the use of LSBO for de novo crystal design, demonstrating its efficacy through optimization tasks focused mainly on formation energy values. Our results highlight the effectiveness of our methodology, offering a new perspective for de novo crystal discovery.
• Abstract（参考訳）: 結晶構造の生成的モデリングは、これらのモデルが新しい結晶を探索し発見する能力を制限する入力データの複雑さによって著しく困難である。 この複雑さはしばしば、デ・ノボの設計手法を既知の結晶の小さな摂動に限定し、高度な最適化手法の効果的な適用を妨げている。 そのような最適化手法の1つとして、ラテント・スペース・ベイズ最適化(LSBO)は、特に変分オートエンコーダ(VAE)と組み合わせることで、様々な領域にまたがる新しいオブジェクトを発見できる有望な結果を証明している。 LSBOの可能性と革新的結晶発見への重要なニーズを認識し、LSBOフレームワーク内の探索性を高めるために特別に調整された結晶のデノボ設計フレームワークであるCrystal-LSBOを紹介した。 結晶-LSBOは複数のVAEを用いており、それぞれが格子、座標、化学元素といった結晶構造の異なる側面に特化しており、これらの成分を結合的な出力に合成する積分モデルによって構成されている。 このセットアップは、学習プロセスの合理化だけでなく、各モデルの学習タスクの複雑さの低下により探索可能な潜在空間も生成し、LSBOアプローチの運用を可能にする。 本研究は,ド・ノボ結晶設計におけるLSBOの利用の先駆者であり,生成エネルギー値を中心にした最適化タスクによる有効性を示すものである。 本研究は, ド・ノボ結晶発見の新たな視点として, 提案手法の有効性を強調した。

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)
• Cliqueformer: Model-Based Optimization with Structured Transformers [102.55764949282906]
  我々は、MBOタスクの構造を学習し、経験的に改良された設計につながるモデルを開発する。 我々はCliqueformerを、高次元のブラックボックス機能から、化学・遺伝設計の現実的なタスクまで、様々なタスクで評価する。
  論文  参考訳（メタデータ） (2024-10-17T00:35:47Z)
• Adaptive Constraint Integration for Simultaneously Optimizing Crystal Structures with Multiple Targeted Properties [7.559885439354167]
  Adaptive Crystal Synthesizer (SMOACS) を用いた同時多目的最適化 SMOACSは、モデル再トレーニングを必要とせずに、適応的制約を最適化プロセスに統合することを可能にする。 我々は,135個の原子サイトまでの大きな原子配置において,電気的中立性を維持するという困難な制約を満たす中で,バンドギャップの最適化を実証した。
  論文  参考訳（メタデータ） (2024-10-11T06:35:48Z)
• 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)
• Diffusion Model for Data-Driven Black-Box Optimization [54.25693582870226]
  我々は、強力な生成AI技術である拡散モデルに注目し、ブラックボックス最適化の可能性について検討する。 本研究では,1)実数値報酬関数のノイズ測定と,2)対比較に基づく人間の嗜好の2種類のラベルについて検討する。 提案手法は,設計最適化問題を条件付きサンプリング問題に再構成し,拡散モデルのパワーを有効活用する。
  論文  参考訳（メタデータ） (2024-03-20T00:41:12Z)
• 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)
• Data-Driven Score-Based Models for Generating Stable Structures with Adaptive Crystal Cells [1.515687944002438]
  本研究は, 化学安定性や化学組成など, 新しい結晶構造を創出することを目的としている。 提案手法の新規性は、結晶細胞の格子が固定されていないという事実にある。 対称性の制約を尊重し、計算上の優位性をもたらす多グラフ結晶表現が導入された。
  論文  参考訳（メタデータ） (2023-10-16T02:53:24Z)
• 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)
• Machine Learning Framework for Quantum Sampling of Highly-Constrained, Continuous Optimization Problems [101.18253437732933]
  本研究では,連続空間の逆設計問題を,制約のないバイナリ最適化問題にマッピングする,汎用的な機械学習ベースのフレームワークを開発する。 本研究では, 熱発光トポロジを熱光応用に最適化し, (ii) 高効率ビームステアリングのための拡散メタグレーティングを行うことにより, 2つの逆設計問題に対するフレームワークの性能を示す。
  論文  参考訳（メタデータ） (2021-05-06T02:22:23Z)

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。