論文の概要: Establishing baselines for generative discovery of inorganic crystals

• arxiv url: http://arxiv.org/abs/2501.02144v1
• Date: Sat, 04 Jan 2025 00:14:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-07 17:05:51.731519
• Title: Establishing baselines for generative discovery of inorganic crystals
• Title（参考訳）: 無機結晶の生成的発見のためのベースラインの確立
• Authors: Nathan J. Szymanski, Christopher J. Bartel,
• Abstract要約: 生成的人工知能は、材料発見のための有望な道を提供するが、従来の方法に対するその優位性はいまだ不明である。 本研究では、電荷バランスのプロトタイプのランダム列挙と既知の化合物のデータ駆動イオン交換という、2つのベースラインアプローチをベンチマークする。 以上の結果から, イオン交換などの確立された手法は, 安定物質の生成において良好に機能することが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Generative artificial intelligence offers a promising avenue for materials discovery, yet its advantages over traditional methods remain unclear. In this work, we introduce and benchmark two baseline approaches - random enumeration of charge-balanced prototypes and data-driven ion exchange of known compounds - against three generative models: a variational autoencoder, a large language model, and a diffusion model. Our results show that established methods such as ion exchange perform comparably well in generating stable materials, although many of these materials tend to closely resemble known compounds. In contrast, generative models excel at proposing novel structural frameworks and, when sufficient training data is available, can more effectively target properties such as electronic band gap and bulk modulus while maintaining a high stability rate. To enhance the performance of both the baseline and generative approaches, we implement a post-generation screening step in which all proposed structures are passed through stability and property filters from pre-trained machine learning models including universal interatomic potentials. This low-cost filtering step leads to substantial improvement in the success rates of all methods, remains computationally efficient, and ultimately provides a practical pathway toward more effective generative strategies for materials discovery.
• Abstract（参考訳）: 生成的人工知能は、材料発見のための有望な道を提供するが、従来の方法に対するその優位性はいまだ不明である。 本研究では, 変分オートエンコーダ, 大規模言語モデル, 拡散モデルという3つの生成モデルに対して, 電荷バランスのプロトタイプのランダム列挙と既知の化合物のデータ駆動イオン交換という2つのベースラインアプローチを導入し, ベンチマークする。 以上の結果から, イオン交換などの確立された手法は, 安定物質の生成において良好に機能することが示唆された。 対照的に、新しい構造的枠組みを提案し、十分なトレーニングデータが得られると、高い安定性を維持しながら電子バンドギャップやバルク率などの特性をより効果的にターゲットすることができる。 ベースライン・ジェネレーティブ・アプローチの両面での性能を高めるため, 普遍的な原子間ポテンシャルを含む事前学習された機械学習モデルから, 全ての構造が安定性と特性フィルタを通して通過するポストジェネレーション・スクリーニング・ステップを実装した。 この低コストフィルタリングは、全ての手法の成功率を大幅に向上させ、計算効率を保ち、最終的には材料発見のためのより効率的な生成戦略への実践的な経路を提供する。

関連論文リスト

• Efficient Fine-Tuning and Concept Suppression for Pruned Diffusion Models [93.76814568163353]
  本稿では,2段階の拡散モデルに対する新しい最適化フレームワークを提案する。 このフレームワークは、微調整と未学習のプロセスを統一的なフェーズに統合する。 様々なプルーニングや概念未学習の手法と互換性がある。
  論文  参考訳（メタデータ） (2024-12-19T19:13:18Z)
• 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)
• Heuristically Adaptive Diffusion-Model Evolutionary Strategy [1.8299322342860518]
  拡散モデル(Diffusion Models)は、生成モデルにおいて重要な進歩を示す。 本研究は,拡散モデルと進化的アルゴリズムの基本的な関係を明らかにする。 我々のフレームワークは、進化的最適化プロセスにおいて、柔軟性、精度、制御性を高めたアルゴリズム上の大きな遷移を示す。
  論文  参考訳（メタデータ） (2024-11-20T16:06:28Z)
• Aligning Target-Aware Molecule Diffusion Models with Exact Energy Optimization [147.7899503829411]
  AliDiffは、事前訓練されたターゲット拡散モデルと望ましい機能特性を整合させる新しいフレームワークである。 最先端の結合エネルギーを持つ分子を最大7.07 Avg. Vina Scoreで生成することができる。
  論文  参考訳（メタデータ） (2024-07-01T06:10:29Z)
• PILOT: Equivariant diffusion for pocket conditioned de novo ligand generation with multi-objective guidance via importance sampling [8.619610909783441]
  等変拡散モデル PILOT を用いて,$textitde novo$ で 3次元リガンド構造を生成するためのシリカ内アプローチを提案する。 その多目的的重要度サンプリング戦略は、モデルが望ましい特性を示す分子に向けられるよう設計されている。 我々はPILOTを用いて、Kinodata-3Dデータセットから未確認タンパク質ポケットの新しいメトリクスを生成する。
  論文  参考訳（メタデータ） (2024-05-23T17:58:28Z)
• 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)
• Physics-informed generative model for drug-like molecule conformers [0.0]
  共振器生成のための拡散型生成モデルを提案する。 我々のモデルは結合構造の再現に焦点をあてており、古典的な力場において伝統的に見られる関連する用語から構築されている。 ディープラーニングは、トレーニングセットから原子タイピングと幾何学的パラメータを推測するために使用される。
  論文  参考訳（メタデータ） (2024-02-29T17:11:08Z)
• Improved prediction of ligand-protein binding affinities by meta-modeling [1.3859669037499769]
  我々は,力場に基づく実証ドッキングとシーケンスに基づくディープラーニングモデルを統合するフレームワークを開発した。 メタモデルの多くがベースモデルに対する親和性予測を大幅に改善していることを示す。 我々の最高のメタモデルは、3D構造のみに基づく最先端のディープラーニングツールに匹敵する性能を達成する。
  論文  参考訳（メタデータ） (2023-10-05T23:46:45Z)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)
• 3D pride without 2D prejudice: Bias-controlled multi-level generative models for structure-based ligand design [1.978587235008588]
  データスパーシリティとバイアスは、3D認識モデルの開発における2つの主要な障害である。 バイアス制御とデータ効率を改善するために,マルチレベルコントラスト学習に基づくファーストインキンドトレーニングプロトコルを提案する。
  論文  参考訳（メタデータ） (2022-04-22T12:23:59Z)
• Molecular Attributes Transfer from Non-Parallel Data [57.010952598634944]
  分子最適化をスタイル伝達問題として定式化し、非並列データの2つのグループ間の内部差を自動的に学習できる新しい生成モデルを提案する。 毒性修飾と合成性向上という2つの分子最適化タスクの実験により,本モデルがいくつかの最先端手法を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2021-11-30T06:10:22Z)

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。