Fugu-MT 論文翻訳(概要): Rethinking Gradient-Based Methods: Multi-Property Materials Design Beyond Differentiable Targets

論文の概要: Rethinking Gradient-Based Methods: Multi-Property Materials Design Beyond Differentiable Targets

arxiv url: http://arxiv.org/abs/2410.08562v4
Date: Thu, 29 May 2025 10:11:53 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-30 18:14:07.315903
Title: Rethinking Gradient-Based Methods: Multi-Property Materials Design Beyond Differentiable Targets
Title（参考訳）: グラディエント・ベース・メソッドの再考:微分対象を超えた多機能材料設計
Authors: Akihiro Fujii, Yoshitaka Ushiku, Koji Shimizu, Anh Khoa Augustin Lu, Satoshi Watanabe,
Abstract要約: 適応結晶合成器(SMOACS)を用いたマルチプロパティ同時最適化を提案する。 SMOACSは、高温超伝導や大型結晶系へのスケールといった例外的な目標を含む、多目的最適化を可能にする。 5つのターゲット特性と3つのデータセットの実験において、SMOACSは生成モデルとベイズ最適化法より優れている。
参考スコア（独自算出の注目度）: 7.559885439354167
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Gradient-based methods offer a simple, efficient strategy for materials design by directly optimizing candidates using gradients from pretrained property predictors. However, their use in crystal structure optimization is hindered by two key challenges: handling non-differentiable constraints, such as charge neutrality and structural fidelity, and susceptibility to poor local minima. We revisit and extend the gradient-based methods to address these issues. We propose Simultaneous Multi-property Optimization using Adaptive Crystal Synthesizer (SMOACS), which integrates oxidation-number masks and template-based initialization to enforce non-differentiable constraints, avoid poor local minima, and flexibly incorporate additional constraints without retraining. SMOACS enables multi-property optimization. including exceptional targets such as high-temperature superconductivity, and scales to large crystal systems, both persistent challenges for generative models, even those enhanced with gradient-based guidance from property predictors. In experiments on five target properties and three datasets, SMOACS outperforms generative models and Bayesian optimization methods, successfully designing 135-atom perovskite structures that satisfy multiple property targets and constraints, a task at which the other methods fail entirely.
Abstract（参考訳）: グラディエントに基づく手法は、事前学習された特性予測器からの勾配を用いて候補を直接最適化することで、材料設計の単純かつ効率的な戦略を提供する。しかし、結晶構造最適化におけるそれらの利用は、電荷中立性や構造忠実性といった非微分不可能な制約を扱い、局所的極小への感受性の低下という2つの大きな課題によって妨げられている。これらの問題に対処するために、勾配に基づく手法を再検討し、拡張する。本稿では, 酸化数マスクとテンプレートベースの初期化を統合した適応型結晶合成器(SMOACS)を用いた同時多目的最適化を提案する。 SMOACSはマルチプロパティ最適化を可能にする。高温超伝導のような例外的なターゲットや、大型結晶系へのスケール、生成モデルに対する永続的な挑戦、さらには特性予測器からの勾配に基づくガイダンスによって強化されたものを含む。 5つのターゲット特性と3つのデータセットの実験において、SMOACSは生成モデルとベイズ最適化手法を上回り、複数の特性目標と制約を満たす135原子ペロブスカイト構造を設計した。

関連論文リスト

Active Learning for Conditional Inverse Design with Crystal Generation and Foundation Atomic Models [2.8408587358426725]
本稿では, 結晶生成モデルと基本原子モデルを組み合わせて, 逆設計の精度と効率を高めるための能動的学習フレームワークを提案する。我々のフレームワークは、様々な結晶生成と基盤原子モデルに対応し、AI駆動材料発見のためのスケーラブルなアプローチを確立している。
論文参考訳（メタデータ） (2025-02-24T09:15:38Z)
Synergistic Development of Perovskite Memristors and Algorithms for Robust Analog Computing [53.77822620185878]
本稿では,ペロブスカイト・メムリスタの製作を同時に最適化し,ロバストなアナログDNNを開発するための相乗的手法を提案する。 BO誘導ノイズインジェクションを利用したトレーニング戦略であるBayesMultiを開発した。我々の統合されたアプローチは、より深くより広いネットワークでのアナログコンピューティングの使用を可能にし、最大100倍の改善を実現します。
論文参考訳（メタデータ） (2024-12-03T19:20:08Z)
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)
Unleashing the power of novel conditional generative approaches for new materials discovery [3.972733741872872]
結晶構造設計問題に対する2つの生成的アプローチを提案する。 1つは条件付き構造変化であり、最もエネルギー的に好ましい構造と全てのより安定なポリモルフィックの間のエネルギー差を利用する。もう1つは条件付き構造の生成であり、最もエネルギー的に好ましい構造と、その全てのより安定したポリモルフィックの間のエネルギー差を利用する。
論文参考訳（メタデータ） (2024-11-05T14:58:31Z)
Automatically Learning Hybrid Digital Twins of Dynamical Systems [56.69628749813084]
Digital Twins (DT)は、現実世界のシステムの状態と時間力学をシミュレートする。 DTは、しばしばデータスカース設定で目に見えない条件に一般化するのに苦労します。本稿では,HDTwinsを自律的に提案し,評価し,最適化するための進化的アルゴリズム(textbfHDTwinGen$)を提案する。
論文参考訳（メタデータ） (2024-10-31T07:28:22Z)
Crystal-LSBO: Automated Design of De Novo Crystals with Latent Space Bayesian Optimization [11.988832749427077]
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。
論文参考訳（メタデータ） (2024-05-28T07:03:49Z)
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)
Illuminating the property space in crystal structure prediction using Quality-Diversity algorithms [5.380545611878407]
結晶構造予測分野へのテキスト品質多様性アルゴリズムの適用を提案する。我々は機械学習シュロゲートモデルを用いて、最適化を導くために使用される原子間ポテンシャルと物質特性を計算する。本稿では,ニューラルネットワークを用いて結晶特性をモデル化し,新しい構成-構造の組み合わせの同定を可能にする。
論文参考訳（メタデータ） (2024-03-06T07:38:31Z)
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)
A Pareto-optimal compositional energy-based model for sampling and optimization of protein sequences [55.25331349436895]
深層生成モデルは、生命科学における逆問題に対する一般的な機械学習ベースのアプローチとして登場した。これらの問題は、データ分布の学習に加えて、興味のある複数の特性を満たす新しい設計をサンプリングする必要があることが多い。
論文参考訳（メタデータ） (2022-10-19T19:04:45Z)

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。