Fugu-MT 論文翻訳(概要): deCIFer: Crystal Structure Prediction from Powder Diffraction Data using Autoregressive Language Models

論文の概要: deCIFer: Crystal Structure Prediction from Powder Diffraction Data using Autoregressive Language Models

arxiv url: http://arxiv.org/abs/2502.02189v1
Date: Tue, 04 Feb 2025 10:09:47 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-05 14:57:38.645443
Title: deCIFer: Crystal Structure Prediction from Powder Diffraction Data using Autoregressive Language Models
Title（参考訳）: deCIFer:自己回帰言語モデルを用いた粉末回折データからの結晶構造予測
Authors: Frederik Lizak Johansen, Ulrik Friis-Jensen, Erik Bjørnager Dam, Kirsten Marie Ørnsbjerg Jensen, Rocío Mercado, Raghavendra Selvan,
Abstract要約: 粉末回折データから結晶構造予測(CSP)を行う自己回帰言語モデルを提案する。提示されたモデルであるdeCIFerは、広く使われているCrystallographic Information File (CIF)フォーマットで結晶構造を生成する。我々は、DeCIFerを2.3M近いユニークな結晶構造で訓練し、挑戦的な無機結晶系を特徴づけるために様々なPXRDパターンの集合を検証した。
参考スコア（独自算出の注目度）: 1.231476564107544
License:
Abstract: Novel materials drive progress across applications from energy storage to electronics. Automated characterization of material structures with machine learning methods offers a promising strategy for accelerating this key step in material design. In this work, we introduce an autoregressive language model that performs crystal structure prediction (CSP) from powder diffraction data. The presented model, deCIFer, generates crystal structures in the widely used Crystallographic Information File (CIF) format and can be conditioned on powder X-ray diffraction (PXRD) data. Unlike earlier works that primarily rely on high-level descriptors like composition, deCIFer performs CSP from diffraction data. We train deCIFer on nearly 2.3M unique crystal structures and validate on diverse sets of PXRD patterns for characterizing challenging inorganic crystal systems. Qualitative and quantitative assessments using the residual weighted profile and Wasserstein distance show that deCIFer produces structures that more accurately match the target diffraction data when conditioned, compared to the unconditioned case. Notably, deCIFer can achieve a 94% match rate on unseen data. deCIFer bridges experimental diffraction data with computational CSP, lending itself as a powerful tool for crystal structure characterization and accelerating materials discovery.
Abstract（参考訳）: 新たな材料は、エネルギー貯蔵からエレクトロニクスへの応用を推進している。機械学習手法による材料構造の自動評価は、材料設計におけるこの重要なステップを加速するための有望な戦略を提供する。本研究では,粉末回折データから結晶構造予測(CSP)を行う自己回帰言語モデルを提案する。提案したモデルであるdeCIFerは、広く使われている結晶情報ファイル(CIF)フォーマットで結晶構造を生成し、粉末X線回折(PXRD)データで条件付けすることができる。主にコンポジションのような高レベルな記述子に依存する以前の作品とは異なり、deCIFerは回折データからCSPを実行する。我々は、DeCIFerを2.3M近いユニークな結晶構造で訓練し、挑戦的な無機結晶系を特徴づけるために様々なPXRDパターンの集合を検証した。残留重み付きプロファイルとワッサーシュタイン距離を用いた定性的および定量的評価は、デCIFerが条件付きの場合と比較して、目標回折データとより正確に一致する構造を生成することを示している。特に、deCIFerは、目に見えないデータに対して94%の一致率を達成することができる。 deCIFerは、実験的な回折データを計算用CSPでブリッジし、結晶構造を解析し、材料発見を加速するための強力なツールとして自身を導く。

関連論文リスト

Ab Initio Structure Solutions from Nanocrystalline Powder Diffraction Data [4.463003012243322]
材料科学における大きな課題は、ナノメートルサイズの物体の構造を決定することである。本稿では,45,229の既知構造に基づく拡散過程に基づく生成機械学習モデルを用いた新しい手法を提案する。我々のモデルであるPXRDnetは、対称性と複雑さの異なる200の材料にまたがる10アングストロームのシミュレーションナノ結晶を解くことに成功した。
論文参考訳（メタデータ） (2024-06-16T03:45:03Z)
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 [38.68138743114247]
本研究では,Powder X-ray Diffraction (PXRD) からエンド・ツー・エンド CSP の1次等変深部生成モデル 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、外部データベースや手動の介入を必要とせずに、PXRDデータから複雑な構造を予測できるCSPの大幅な進歩を表している。
論文参考訳（メタデータ） (2024-01-08T12:50:17Z)
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)
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)
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)
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)
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。