論文の概要: A Periodic Bayesian Flow for Material Generation
- arxiv url: http://arxiv.org/abs/2502.02016v1
- Date: Tue, 04 Feb 2025 05:07:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-05 15:02:45.682931
- Title: A Periodic Bayesian Flow for Material Generation
- Title(参考訳): 物質生成のための周期的ベイズ流
- Authors: Hanlin Wu, Yuxuan Song, Jingjing Gong, Ziyao Cao, Yawen Ouyang, Jianbing Zhang, Hao Zhou, Wei-Ying Ma, Jingjing Liu,
- Abstract要約: 周期的ベイズ流の提案による新しい結晶生成法であるCrysBFNを紹介する。
周期的ベイズ流の概念を実現するために、CrysBFNは新しいエントロピー条件機構を統合する。
CrysBFNの結晶生成と結晶構造予測の両方に関する実験は、CrysBFNの優位性を実証している。
- 参考スコア(独自算出の注目度): 20.62877413439857
- License:
- Abstract: Generative modeling of crystal data distribution is an important yet challenging task due to the unique periodic physical symmetry of crystals. Diffusion-based methods have shown early promise in modeling crystal distribution. More recently, Bayesian Flow Networks were introduced to aggregate noisy latent variables, resulting in a variance-reduced parameter space that has been shown to be advantageous for modeling Euclidean data distributions with structural constraints (Song et al., 2023). Inspired by this, we seek to unlock its potential for modeling variables located in non-Euclidean manifolds e.g. those within crystal structures, by overcoming challenging theoretical issues. We introduce CrysBFN, a novel crystal generation method by proposing a periodic Bayesian flow, which essentially differs from the original Gaussian-based BFN by exhibiting non-monotonic entropy dynamics. To successfully realize the concept of periodic Bayesian flow, CrysBFN integrates a new entropy conditioning mechanism and empirically demonstrates its significance compared to time-conditioning. Extensive experiments over both crystal ab initio generation and crystal structure prediction tasks demonstrate the superiority of CrysBFN, which consistently achieves new state-of-the-art on all benchmarks. Surprisingly, we found that CrysBFN enjoys a significant improvement in sampling efficiency, e.g., ~100x speedup 10 v.s. 2000 steps network forwards) compared with previous diffusion-based methods on MP-20 dataset. Code is available at https://github.com/wu-han-lin/CrysBFN.
- Abstract(参考訳): 結晶データ分布の生成モデリングは、結晶のユニークな周期的物理対称性のために重要な課題であるが、難しい課題である。
拡散に基づく手法は結晶分布のモデル化において早期に有望であることが示されている。
最近では、ベイジアンフローネットワーク(英語版)(Bayesian Flow Networks)を導入し、構造制約付きユークリッドデータ分布のモデル化に有利であることが示されている(Song et al , 2023)。
このことに着想を得た我々は、非ユークリッド多様体(例えば結晶構造内の変数)のモデリング変数に対するポテンシャルを、挑戦的な理論的問題を克服して解こうとしている。
CrysBFNは,非単調エントロピーダイナミクスを示すことで,ガウス系BFNと本質的に異なる周期的ベイズ流を提案し,新しい結晶生成法である。
周期的ベイズ流の概念を実現するために、CrysBFNは新しいエントロピー条件機構を統合し、時間条件と比較してその重要性を実証的に示す。
結晶ab初期生成と結晶構造予測の両タスクに関する広範な実験は、CrysBFNの優位性を証明している。
驚いたことに、CrysBFNは、MP-20データセット上の従来の拡散に基づく手法と比較してサンプリング効率(例えば、100倍のスピードアップ10 v.s. 2000 ステップのネットワークフォワード)が大幅に向上していることがわかりました。
コードはhttps://github.com/wu-han-lin/CrysBFN.comで入手できる。
関連論文リスト
- Generative Modeling with Bayesian Sample Inference [50.07758840675341]
我々はガウス的後代推論の単純な作用から新しい生成モデルを導出する。
生成したサンプルを未知変数として推論することで、ベイズ確率の言語でサンプリングプロセスを定式化する。
我々のモデルは、未知のサンプルを広い初期信念から絞り込むために、一連の予測と後続の更新ステップを使用する。
論文 参考訳(メタデータ) (2025-02-11T14:27:10Z) - Symmetry-Aware Bayesian Flow Networks for Crystal Generation [0.562479170374811]
結晶生成のための新しい対称性対応ベイズフローネットワーク(BFN)であるSymbBFNを紹介する。
SymmBFNは効率を大幅に改善し、安定な構造を生成する。
結晶性物質の発見を加速するための有効なツールとして,BFNが確立されている。
論文 参考訳(メタデータ) (2025-02-05T13:14:50Z) - FlowLLM: Flow Matching for Material Generation with Large Language Models as Base Distributions [16.68310253042657]
FlowLLMは、大きな言語モデル(LLM)とリーマンフローマッチング(RFM)を組み合わせて、新しい結晶材料を設計する新しい生成モデルである。
提案手法は最先端の手法よりも優れ, 安定物質の生成速度を3倍以上に向上させ, 安定, 特異, 新規結晶の生成速度を$sim50%以上向上させる。
論文 参考訳(メタデータ) (2024-10-30T19:15:43Z) - Latent Space Energy-based Neural ODEs [73.01344439786524]
本稿では,連続時間列を表現するために設計された新しい深部力学モデルを提案する。
マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。
振動系, ビデオ, 実世界の状態系列(MuJoCo)の実験結果から, 学習可能なエネルギーベース先行モデルの方が既存のモデルより優れていることが示された。
論文 参考訳(メタデータ) (2024-09-05T18:14:22Z) - FlowMM: Generating Materials with Riemannian Flow Matching [16.68310253042657]
両タスクの最先端性能を実現するための生成モデルであるFlowMMを提案する。
われわれのフレームワークは,フローベース分布の選択の自由を可能とし,結晶構造学習の問題を劇的に単純化する。
標準ベンチマークに加えて, 量子化学計算によるFlowMMの生成構造を検証した。
論文 参考訳(メタデータ) (2024-06-07T07:46:23Z) - 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 Structure Prediction by Joint Equivariant Diffusion [27.52168842448489]
結晶構造予測(CSP)は様々な科学分野において重要である。
本稿では, 安定結晶から構造分布を学習する新しい拡散モデルであるDiffCSPを提案する。
論文 参考訳(メタデータ) (2023-07-30T15:46:33Z) - ShiftDDPMs: Exploring Conditional Diffusion Models by Shifting Diffusion
Trajectories [144.03939123870416]
本稿では,前処理に条件を導入することで,新しい条件拡散モデルを提案する。
いくつかのシフト規則に基づいて各条件に対して排他的拡散軌跡を割り当てるために、余剰潜在空間を用いる。
我々は textbfShiftDDPMs と呼ぶメソッドを定式化し、既存のメソッドの統一的な視点を提供する。
論文 参考訳(メタデータ) (2023-02-05T12:48:21Z) - Flow-based sampling in the lattice Schwinger model at criticality [54.48885403692739]
フローベースアルゴリズムは、格子場理論への応用のためのフィールド分布の効率的なサンプリングを提供することができる。
フェルミオン質量の臨界値におけるシュウィンガーモデルにおけるロバストな流れに基づくサンプリングの数値的な実演を行う。
論文 参考訳(メタデータ) (2022-02-23T19:00:00Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳(メタデータ) (2021-02-12T12:23:13Z) - Modeling Continuous Stochastic Processes with Dynamic Normalizing Flows [40.9137348900942]
ウィナー過程の微分変形によって駆動される新しいタイプの流れを提案する。
その結果,観測可能なプロセスが基本プロセスの魅力的な特性の多くを継承するリッチ時系列モデルが得られた。
論文 参考訳(メタデータ) (2020-02-24T20:13:43Z)
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。