論文の概要: CrystalX: Ultra-Precision Crystal Structure Resolution and Error Correction Using Deep Learning

• arxiv url: http://arxiv.org/abs/2410.13713v1
• Date: Thu, 17 Oct 2024 16:12:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-18 13:18:53.096087
• Title: CrystalX: Ultra-Precision Crystal Structure Resolution and Error Correction Using Deep Learning
• Title（参考訳）: CrystalX: 深層学習を用いた超精密結晶構造解析と誤差補正
• Authors: Kaipeng Zheng, Weiran Huang, Wanli Ouyang, Han-Sen Zhong, Yuqiang Li,
• Abstract要約: 本研究では,全原子レベルでの超精密構造解析モデルであるCrystalXを開発した。 このモデルを検証するために,5万回以上のX線回折測定を行った。 このディープラーニングモデルは、結晶構造解析の時間枠に革命をもたらし、それを数秒に短縮する。
• 参考スコア（独自算出の注目度）: 44.02107704258412
• License:
• Abstract: Atomic structure analysis of crystalline materials is a paramount endeavor in both chemical and material sciences. This sophisticated technique necessitates not only a solid foundation in crystallography but also a profound comprehension of the intricacies of the accompanying software, posing a significant challenge in meeting the rigorous daily demands. For the first time, we confront this challenge head-on by harnessing the power of deep learning for ultra-precise structural analysis at the full-atom level. To validate the performance of the model, named CrystalX, we employed a vast dataset comprising over 50,000 X-ray diffraction measurements derived from authentic experiments, demonstrating performance that is commensurate with human experts and adept at deciphering intricate geometric patterns. Remarkably, CrystalX revealed that even peer-reviewed publications can harbor errors that are stealthy to human scrutiny, yet CrystalX adeptly rectifies them. This deep learning model revolutionizes the time frame for crystal structure analysis, slashing it down to seconds. It has already been successfully applied in the structure analysis of newly discovered compounds in the latest research without human intervention. Overall, CrystalX marks the beginning of a new era in automating routine structural analysis within self-driving laboratories.
• Abstract（参考訳）: 結晶材料の原子構造解析は、化学と物質科学の両方において最重要課題である。 この高度な技術は、結晶学の確固たる基盤だけでなく、付随するソフトウェアの複雑さの深い理解も必要としており、厳格な日々の要求を満たす上で大きな課題となっている。 深層学習の力をフル原子レベルでの超精密構造解析に活用することで、この課題に初めて直面する。 このモデルの性能を検証するために,CrystalXというモデルを用いて,実測実験から得られた5万回以上のX線回折測定データを用いて,人間の専門家と共用し,複雑な幾何学的パターンの解読に適する性能を実証した。 興味深いことに、CrystalXは、査読された出版物でさえ、人間の精査にステルス性のある誤りを犯す可能性があることを明らかにしたが、CrystalXはそれを確実に修正している。 このディープラーニングモデルは、結晶構造解析の時間枠に革命をもたらし、それを数秒に短縮する。 新たに発見された化合物の構造解析は、人間の介入なしに、最新の研究ですでに成功している。 全体として、CrystalXは、自動運転研究所内での定期的な構造解析を自動化する新しい時代の始まりである。

関連論文リスト

• 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)
• 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)
• End-to-End Crystal Structure Prediction from Powder X-Ray Diffraction [37.563382606039006]
  本研究では,PXRDを用いた結晶構造予測モデルであるXtalNetを紹介する。 XtalNetはPXRDを付加条件として利用し、曖昧さを排除し、単位細胞に最大400個の原子を持つ複雑な有機構造を生成する。 XtalNetは、条件付き結晶構造予測タスクにおいて、hMOF-100とhMOF-400において、90.2%と79%のトップ10マッチングレートを達成する。
  論文  参考訳（メタデータ） (2024-01-08T12:50:17Z)
• 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 Crystal-Specific Pre-Training Framework for Crystal Material Property Prediction [12.957415185028948]
  結晶特性のラベル付けは、物理的シミュレーションや実験実験にかかわる高コストと時間のために本質的に困難である。 結晶は、周期的不変性( periodic invariance)として知られる特定の量子化学原理に従属する。 本稿では,自己超越による結晶表現学習のための,結晶固有の事前学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-08T16:46:11Z)
• Neural networks trained on synthetically generated crystals can extract structural information from ICSD powder X-ray diffractograms [0.6906005491572401]
  機械学習技術は粉末X線回折画像から構造情報を抽出するのに成功している。 本稿では,各空間群の対称性演算を用いて,ランダムな座標で合成結晶を生成する方法を提案する。 我々は,1時間に数百万のオンザフライ生成された合成ディフラクトグラムに対して,Deep ResNetライクなモデルのオンライントレーニングを実演する。
  論文  参考訳（メタデータ） (2023-03-21T09:37:29Z)
• Geometric Deep Learning for Molecular Crystal Structure Prediction [0.0]
  我々は,分子構造ランキングと結晶特性予測を高速化する新しい機械学習戦略を開発し,検証する。 私たちの密度予測モデルであるMollXtalNet-Dは、大規模で多様なテストデータセット上で2%未満の絶対誤差で、アートパフォーマンスの状態を達成します。 我々の結晶ランキングツールであるMollXtalNet-Sは、合成された偽物から実験サンプルを正しく識別する。
  論文  参考訳（メタデータ） (2023-03-17T17:27:47Z)
• Tracking perovskite crystallization via deep learning-based feature detection on 2D X-ray scattering data [137.47124933818066]
  本稿では,より高速なR-CNN深層学習アーキテクチャに基づくX線回折画像の自動解析パイプラインを提案する。 有機-無機ペロブスカイト構造の結晶化をリアルタイムに追跡し, 2つの応用で検証した。
  論文  参考訳（メタデータ） (2022-02-22T15:39:00Z)
• Disentangling multiple scattering with deep learning: application to strain mapping from electron diffraction patterns [48.53244254413104]
  我々は、高非線形電子回折パターンを定量的構造因子画像に変換するために、FCU-Netと呼ばれるディープニューラルネットワークを実装した。 結晶構造の異なる組み合わせを含む20,000以上のユニークな動的回折パターンを用いてFCU-Netを訓練した。 シミュレーションされた回折パターンライブラリ、FCU-Netの実装、訓練されたモデルの重み付けは、オープンソースリポジトリで自由に利用可能です。
  論文  参考訳（メタデータ） (2022-02-01T03:53:39Z)

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。