Fugu-MT 論文翻訳(概要): ContinuouSP: Generative Model for Crystal Structure Prediction with Invariance and Continuity

論文の概要: ContinuouSP: Generative Model for Crystal Structure Prediction with Invariance and Continuity

arxiv url: http://arxiv.org/abs/2502.02026v1
Date: Tue, 04 Feb 2025 05:22:26 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-05 14:53:18.489488
Title: ContinuouSP: Generative Model for Crystal Structure Prediction with Invariance and Continuity
Title（参考訳）: ContinuouSP:不変性と連続性を考慮した結晶構造予測生成モデル
Authors: Yuji Tone, Masatoshi Hanai, Mitsuaki Kawamura, Kenjiro Taura, Toyotaro Suzumura,
Abstract要約: 結晶構造予測のための生成機械学習における不変性と連続性について検討する。結晶の対称性と周期性を効果的に扱う新しいモデルであるContinuouSPを提案する。
参考スコア（独自算出の注目度）: 2.78904788398349
License:
Abstract: The discovery of new materials using crystal structure prediction (CSP) based on generative machine learning models has become a significant research topic in recent years. In this paper, we study invariance and continuity in the generative machine learning for CSP. We propose a new model, called ContinuouSP, which effectively handles symmetry and periodicity in crystals. We clearly formulate the invariance and the continuity, and construct a model based on the energy-based model. Our preliminary evaluation demonstrates the effectiveness of this model with the CSP task.
Abstract（参考訳）: 近年, 生成機械学習モデルに基づく結晶構造予測(CSP)による新しい材料発見が重要な研究課題となっている。本稿では,CSPのための生成機械学習における不変性と連続性について検討する。結晶の対称性と周期性を効果的に扱う新しいモデルであるContinuouSPを提案する。不変性と連続性を明確に定式化し,エネルギーモデルに基づくモデルを構築する。予備評価では,このモデルがCSPタスクで有効であることを示す。

関連論文リスト

On the Robustness of Machine Learning Models in Predicting Thermodynamic Properties: a Case of Searching for New Quasicrystal Approximants [0.0]
この研究では、準結晶データセットのネストした金属間近似を合成し、それらの上で様々な機械学習モデルを訓練した。我々の質的かつより重要なことは、予測の違いを定量的に評価することで、トレーニングサンプルの異なる合理的な変化が、予測される新しい物質の全く異なるセットにつながることを明らかに示しています。また,プレトレーニングの利点を示し,安定度を高めるためのシーケンシャルトレーニングの簡易かつ効果的な手法を提案した。
論文参考訳（メタデータ） (2024-10-02T12:54:21Z)
Deep Generative Models for Proton Zero Degree Calorimeter Simulations in ALICE, CERN [3.2686289567336235]
本稿では、ALICE実験において、プロトンZero Degree Calorimeterに合わせた革新的なディープラーニングシミュレーション手法を提案する。本手法は,モンテカルロをベースとした従来の手法と比較して,大幅な高速化を実現する。
論文参考訳（メタデータ） (2024-06-05T13:41:09Z)
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 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)
Data-Driven Score-Based Models for Generating Stable Structures with Adaptive Crystal Cells [1.515687944002438]
本研究は, 化学安定性や化学組成など, 新しい結晶構造を創出することを目的としている。提案手法の新規性は、結晶細胞の格子が固定されていないという事実にある。対称性の制約を尊重し、計算上の優位性をもたらす多グラフ結晶表現が導入された。
論文参考訳（メタデータ） (2023-10-16T02:53:24Z)
Evaluating the diversity and utility of materials proposed by generative models [38.85523285991743]
本稿では, 逆設計プロセスの一部として, 物理誘導結晶生成モデルという, 最先端の生成モデルを用いる方法を示す。本研究は, 逆設計を改善するために, 生成モデルをどのように改善するかを示唆する。
論文参考訳（メタデータ） (2023-08-09T14:42:08Z)
Learning continuous models for continuous physics [94.42705784823997]
本研究では,科学技術応用のための機械学習モデルを検証する数値解析理論に基づくテストを開発する。本研究は,従来のMLトレーニング/テスト手法と一体化して,科学・工学分野におけるモデルの検証を行う方法である。
論文参考訳（メタデータ） (2022-02-17T07:56:46Z)
Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文参考訳（メタデータ） (2021-06-25T22:08:51Z)
On the Memory Mechanism of Tensor-Power Recurrent Models [25.83531612758211]
TPリカレントモデルの記憶機構について検討する。長期記憶効果を達成するためには, p が重要条件であることが示される。新しいモデルは、安定して長いメモリ効果の恩恵を受けることが期待されている。
論文参考訳（メタデータ） (2021-03-02T07:07:47Z)
Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
論文参考訳（メタデータ） (2020-10-27T17:54:12Z)
Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
論文参考訳（メタデータ） (2020-10-25T18:51:15Z)

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。