論文の概要: Open Materials Generation with Stochastic Interpolants

• arxiv url: http://arxiv.org/abs/2502.02582v2
• Date: Fri, 11 Jul 2025 15:35:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-14 14:01:04.980473
• Title: Open Materials Generation with Stochastic Interpolants
• Title（参考訳）: 確率補間材を用いたオープンマテリアル生成
• Authors: Philipp Hoellmer, Thomas Egg, Maya M. Martirossyan, Eric Fuemmeler, Zeren Shui, Amit Gupta, Pawan Prakash, Adrian Roitberg, Mingjie Liu, George Karypis, Mark Transtrum, Richard G. Hennig, Ellad B. Tadmor, Stefano Martiniani,
• Abstract要約: Open Materials Generation (OMatG) は、結晶材料の生成設計と発見のための統一的なフレームワークである。 OMatGは無機補間剤を用いて任意の塩基分布を無機結晶の標的分布にブリッジする。 我々はOMatGの性能を結晶構造予測と'de novo'生成の2つのタスクでベンチマークする。
• 参考スコア（独自算出の注目度）: 14.939468363546384
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The discovery of new materials is essential for enabling technological advancements. Computational approaches for predicting novel materials must effectively learn the manifold of stable crystal structures within an infinite design space. We introduce Open Materials Generation (OMatG), a unifying framework for the generative design and discovery of inorganic crystalline materials. OMatG employs stochastic interpolants (SI) to bridge an arbitrary base distribution to the target distribution of inorganic crystals via a broad class of tunable stochastic processes, encompassing both diffusion models and flow matching as special cases. In this work, we adapt the SI framework by integrating an equivariant graph representation of crystal structures and extending it to account for periodic boundary conditions in unit cell representations. Additionally, we couple the SI flow over spatial coordinates and lattice vectors with discrete flow matching for atomic species. We benchmark OMatG's performance on two tasks: Crystal Structure Prediction (CSP) for specified compositions, and 'de novo' generation (DNG) aimed at discovering stable, novel, and unique structures. In our ground-up implementation of OMatG, we refine and extend both CSP and DNG metrics compared to previous works. OMatG establishes a new state of the art in generative modeling for materials discovery, outperforming purely flow-based and diffusion-based implementations. These results underscore the importance of designing flexible deep learning frameworks to accelerate progress in materials science. The OMatG code is available at https://github.com/FERMat-ML/OMatG.
• Abstract（参考訳）: 新しい素材の発見は、技術の進歩を可能にするのに不可欠である。 新規材料を予測するための計算的アプローチは、無限の設計空間内で安定な結晶構造の多様体を効果的に学ばなければならない。 無機結晶材料の生成と発見のための統一フレームワークであるオープンマテリアル生成(OMatG)を紹介する。 OMatGは任意の塩基分布を無機結晶のターゲット分布に橋渡しするために確率補間剤(SI)を用いており、拡散モデルとフローマッチングの両方を特別な場合として含む。 本研究では、結晶構造の同変グラフ表現を統合し、単位セル表現における周期的境界条件を考慮した拡張により、SIフレームワークを適応する。 さらに,空間座標と格子ベクトル上でのSIフローと,原子種に対する離散フローマッチングを結合する。 我々はOMatGの性能を2つのタスクでベンチマークする: 特定の構成に対する結晶構造予測(CSP)と、安定で斬新でユニークな構造を発見することを目的とした'de novo'生成(DNG)である。 OMatGの基盤実装では,従来よりもCSPとDNGのメトリクスを洗練・拡張しています。 OMatGは、物質発見のための生成モデリングにおける新しい最先端技術を確立し、純粋にフローベースおよび拡散ベースの実装より優れている。 これらの結果は、材料科学の進歩を加速するために柔軟なディープラーニングフレームワークを設計することの重要性を浮き彫りにしている。 OMatGコードはhttps://github.com/FERMat-ML/OMatGで入手できる。

関連論文リスト

• CryoGS: Gaussian Splatting for Cryo-EM Homogeneous Reconstruction [55.2480439325792]
  低温電子顕微鏡(cryo-EM)は、分子構造をほぼ原子の分解能で決定するのに役立つ。 単一粒子Cryo-EMにおける中心的な計算課題は、分子の3次元静電ポテンシャルを再構築することである。 本稿では,GMMをベースとしたGMM法であるCryoGSを紹介し,Gaussian splattingとCryo-EM画像形成の物理を融合させる。
  論文  参考訳（メタデータ） (2025-08-06T23:24:43Z)
• Siamese Foundation Models for Crystal Structure Prediction [70.63218101004398]
  結晶構造予測(CSP)は、組成から安定な結晶構造を生成することを目的としている。 CSPは比較的未発見の領域である。 CSPに特化して設計されたシームズ基礎モデルを提案する。
  論文  参考訳（メタデータ） (2025-03-13T15:44:16Z)
• UniGenX: Unified Generation of Sequence and Structure with Autoregressive Diffusion [61.690978792873196]
  既存のアプローチは自己回帰シーケンスモデルか拡散モデルのいずれかに依存している。 自己回帰的次トーケン予測と条件拡散モデルを組み合わせた統合フレームワークUniGenXを提案する。 材料および小分子生成タスクにおけるUniGenXの有効性を検証する。
  論文  参考訳（メタデータ） (2025-03-09T16:43:07Z)
• Periodic Materials Generation using Text-Guided Joint Diffusion Model [23.137596469096824]
  TGDMatは3次元周期材料生成のために設計された新しいテキスト誘導拡散モデルである。 提案手法は,各段階での文章記述を通じて,グローバルな構造的知識を統合する。 実験の結果,TGDMatは既存のベースライン法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2025-03-01T14:56:44Z)
• Efficient Symmetry-Aware Materials Generation via Hierarchical Generative Flow Networks [52.13486402193811]
  新しい固体材料は、結晶構造の広大な空間を急速に探索し、安定した領域を探索する必要がある。 既存の手法では、大きな材料空間を探索し、望ましい特性と要求を持った多様なサンプルを生成するのに苦労している。 本研究では, 材料空間の対称性を効果的に活用し, 所望の特性を持つ結晶構造を生成するために, 階層的探索戦略を用いた新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-11-06T23:53:34Z)
• Structural Constraint Integration in Generative Model for Discovery of Quantum Material Candidates [27.416978540039878]
  遺伝子モデル(SCIGEN)における構造制約の統合について紹介する。 プロトタイプの制約としてアルキメデス格子を用いて800万の化合物を生成し, 10%以上の安定性が維持されている。 量子材料の性質は幾何学的パターンと密接に関連しているため、SCIGENは量子材料候補を生成するための一般的な枠組みを提供することを示す。
  論文  参考訳（メタデータ） (2024-07-05T14:42:54Z)
• 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)
• 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)
• 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)
• 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)
• GAFlow: Incorporating Gaussian Attention into Optical Flow [62.646389181507764]
  我々はガウス的注意(GA)を光学フローモデルに押し込み、表現学習中に局所特性をアクセントする。 本稿では,既存の Transformer ブロックに簡単に接続可能な新しい Gaussian-Constrained Layer (GCL) を提案する。 動作解析のための新しいガウス誘導注意モジュール(GGAM)を提供する。
  論文  参考訳（メタデータ） (2023-09-28T07:46:01Z)
• Towards Symmetry-Aware Generation of Periodic Materials [64.21777911715267]
  本稿では,周期構造体の物理対称性を捉える新しい物質生成手法であるSyMatを提案する。 SyMatは、変分オートエンコーダモデルを用いて、原子タイプセット、格子長、格子角を生成することによって、材料の原子タイプと格子を生成する。 我々は,SyMatが材料上のすべての対称性変換に理論的に不変であることを示し,SyMatがランダム生成および特性最適化タスクにおいて有望な性能を達成することを示す。
  論文  参考訳（メタデータ） (2023-07-06T01:05:34Z)
• FAENet: Frame Averaging Equivariant GNN for Materials Modeling [123.19473575281357]
  データ変換による任意のモデルE(3)-同変や不変化を実現するために,フレームアラグリング(SFA)に依存したフレキシブルなフレームワークを導入する。 本手法の有効性を理論的および実験的に証明し, 材料モデリングにおける精度と計算スケーラビリティを実証する。
  論文  参考訳（メタデータ） (2023-04-28T21:48:31Z)
• How to See Hidden Patterns in Metamaterials with Interpretable Machine Learning [82.67551367327634]
  我々は,材料単位セルのパターンを見つけるための,解釈可能な多分解能機械学習フレームワークを開発した。 具体的には、形状周波数特徴と単位セルテンプレートと呼ばれるメタマテリアルの2つの新しい解釈可能な表現を提案する。
  論文  参考訳（メタデータ） (2021-11-10T21:19:02Z)

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。