論文の概要: Structural Constraint Integration in Generative Model for Discovery of Quantum Material Candidates
- arxiv url: http://arxiv.org/abs/2407.04557v1
- Date: Fri, 5 Jul 2024 14:42:54 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-08 13:10:54.628254
- Title: Structural Constraint Integration in Generative Model for Discovery of Quantum Material Candidates
- Title（参考訳）: 量子材料候補の発見のための生成モデルにおける構造制約の統合
- Authors: Ryotaro Okabe, Mouyang Cheng, Abhijatmedhi Chotrattanapituk, Nguyen Tuan Hung, Xiang Fu, Bowen Han, Yao Wang, Weiwei Xie, Robert J. Cava, Tommi S. Jaakkola, Yongqiang Cheng, Mingda Li,
- Abstract要約: 遺伝子モデル(SCIGEN)における構造制約の統合について紹介する。
プロトタイプの制約としてアルキメデス格子を用いて800万の化合物を生成し, 10%以上の安定性が維持されている。
量子材料の性質は幾何学的パターンと密接に関連しているため、SCIGENは量子材料候補を生成するための一般的な枠組みを提供することを示す。
- 参考スコア（独自算出の注目度）: 27.416978540039878
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Billions of organic molecules are known, but only a tiny fraction of the functional inorganic materials have been discovered, a particularly relevant problem to the community searching for new quantum materials. Recent advancements in machine-learning-based generative models, particularly diffusion models, show great promise for generating new, stable materials. However, integrating geometric patterns into materials generation remains a challenge. Here, we introduce Structural Constraint Integration in the GENerative model (SCIGEN). Our approach can modify any trained generative diffusion model by strategic masking of the denoised structure with a diffused constrained structure prior to each diffusion step to steer the generation toward constrained outputs. Furthermore, we mathematically prove that SCIGEN effectively performs conditional sampling from the original distribution, which is crucial for generating stable constrained materials. We generate eight million compounds using Archimedean lattices as prototype constraints, with over 10% surviving a multi-staged stability pre-screening. High-throughput density functional theory (DFT) on 26,000 survived compounds shows that over 50% passed structural optimization at the DFT level. Since the properties of quantum materials are closely related to geometric patterns, our results indicate that SCIGEN provides a general framework for generating quantum materials candidates.
- Abstract（参考訳）: 何十億もの有機分子が知られているが、機能的な無機物質のごく一部しか発見されていない。
機械学習に基づく生成モデル(特に拡散モデル)の最近の進歩は、新しい安定した材料を生成する大きな可能性を示している。
しかし、幾何学的パターンを材料生成に統合することは依然として課題である。
本稿では、ジェネレーティブモデル(SCIGEN)における構造制約統合について紹介する。
提案手法は,各拡散ステップに先立って,回折構造を拡散制約構造で戦略的にマスキングすることで,学習した生成拡散モデルを修正し,その生成を制約出力に向けて制御することができる。
さらに,SCIGENは,安定な拘束材料を生成する上で重要な,元の分布からの条件付きサンプリングを効果的に行うことを数学的に証明する。
プロトタイプの制約としてアルキメデス格子を用いて800万の化合物を生成し, 10%以上の安定性が維持されている。
26,000個の生き残った化合物の高スループット密度汎関数理論(DFT)は、50%以上がDFTレベルで構造最適化に合格したことを示している。
量子材料の性質は幾何学的パターンと密接に関連しているため、SCIGENは量子材料候補を生成するための一般的な枠組みを提供することを示す。
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) - DecompOpt: Controllable and Decomposed Diffusion Models for Structure-based Molecular Optimization [49.85944390503957]
DecompOptは、制御可能・拡散モデルに基づく構造に基づく分子最適化手法である。
DecompOptは強いde novoベースラインよりも優れた特性を持つ分子を効率よく生成できることを示す。
論文 参考訳（メタデータ） (2024-03-07T02:53:40Z) - Spectroscopy-Guided Discovery of Three-Dimensional Structures of
Disordered Materials with Diffusion Models [6.97950396242977]
対象物から乱れた材料の3次元構造を予測するための拡散モデルに基づく新しいフレームワークを提案する。
我々のモデルは、特定のXANESスペクトルの原子配列を調整するための生成過程を制御できることを示します。
本研究は, 材料評価と原子構造決定のギャップを埋める上で, 重要な歩みを示している。
論文 参考訳（メタデータ） (2023-12-09T05:40:10Z) - MatterGen: a generative model for inorganic materials design [20.119976243451216]
本稿では,周期表上で安定かつ多様な無機物質を生成するモデルであるMatterGenを提案する。
MatterGenが生成した以前の生成モデルと比較すると、新規で安定な構造になる確率は2倍以上である。
磁気密度の高い構造と,サプライチェーンリスクの低い化学組成を兼ね備えた多目的材料設計能力を実証した。
論文 参考訳（メタデータ） (2023-12-06T18:52:16Z) - 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 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 Generative Adversarial Networks for Generations of
Crystal Materials with Symmetry Constraints [9.755053639966185]
新たな材料生成のための物理ガイド結晶生成モデル(PGCGM)を提案する。
物質の塩基性原子サイトを増大させることで、20個の空間群からなる新しい物質を生成できる。
本手法により, 発電機の有効性は, ベースラインの8倍に向上する。
論文 参考訳（メタデータ） (2022-03-27T17:21:36Z) - Moser Flow: Divergence-based Generative Modeling on Manifolds [49.04974733536027]
Moser Flow (MF) は連続正規化フロー(CNF)ファミリーにおける新しい生成モデルのクラスである
MFは、訓練中にODEソルバを介して呼び出しやバックプロパゲートを必要としない。
一般曲面からのサンプリングにおけるフローモデルの利用を初めて実演する。
論文 参考訳（メタデータ） (2021-08-18T09:00:24Z) - BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。
ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
論文 参考訳（メタデータ） (2021-06-08T10:14:57Z)
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。