論文の概要: ReGNet: Reciprocal Space-Aware Long-Range Modeling and Multi-Property Prediction for Crystals

• arxiv url: http://arxiv.org/abs/2502.02748v1
• Date: Tue, 04 Feb 2025 22:31:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-06 14:24:04.616334
• Title: ReGNet: Reciprocal Space-Aware Long-Range Modeling and Multi-Property Prediction for Crystals
• Title（参考訳）: ReGNet: 相互空間対応ロングランジモデリングと結晶のマルチパフォーマンス予測
• Authors: Jianan Nie, Peiyao Xiao, Kaiyi Ji, Peng Gao,
• Abstract要約: 本稿では、幾何学的GNNと相互ブロックを統合して、短距離および長距離の相互作用をモデル化する新しいアーキテクチャReGNetを紹介する。 また,マルチタスク拡張であるReGNet-MTを導入する。
• 参考スコア（独自算出の注目度）: 18.68276260557569
• License:
• Abstract: Predicting properties of crystals from their structures is a fundamental yet challenging task in materials science. Unlike molecules, crystal structures exhibit infinite periodic arrangements of atoms, requiring methods capable of capturing both local and global information effectively. However, most current works fall short of capturing long-range interactions within periodic structures. To address this limitation, we leverage reciprocal space to efficiently encode long-range interactions with learnable filters within Fourier transforms. We introduce Reciprocal Geometry Network (ReGNet), a novel architecture that integrates geometric GNNs and reciprocal blocks to model short-range and long-range interactions, respectively. Additionally, we introduce ReGNet-MT, a multi-task extension that employs mixture of experts (MoE) for multi-property prediction. Experimental results on the JARVIS and Materials Project benchmarks demonstrate that ReGNet achieves significant performance improvements. Moreover, ReGNet-MT attains state-of-the-art results on two bandgap properties due to positive transfer, while maintaining high computational efficiency. These findings highlight the potential of our model as a scalable and accurate solution for crystal property prediction. The code will be released upon paper acceptance.
• Abstract（参考訳）: 結晶の構造から結晶の性質を予測することは、物質科学の基本的な課題である。 分子とは異なり、結晶構造は無限周期の原子配列を示し、局所的な情報と大域的な情報の両方を効果的に捉える方法を必要とする。 しかし、現在のほとんどの研究は周期構造内の長距離相互作用を捉えていない。 この制限に対処するために、相反空間を利用して、フーリエ変換内の学習可能なフィルタとの長距離相互作用を効率的に符号化する。 本稿では,それぞれが短距離と長距離の相互作用をモデル化するために,幾何学的GNNと相互ブロックを統合した新しいアーキテクチャであるReGNetを紹介する。 さらに,マルチタスク拡張であるReGNet-MTを導入する。 JARVIS と Materials Project のベンチマーク実験の結果,ReGNet が大幅な性能向上を実現していることが示された。 さらに、ReGNet-MTは、高い計算効率を維持しながら、正の転送による2つのバンドギャップ特性の最先端結果を得る。 これらの結果は,結晶特性予測のためのスケーラブルで正確な解法として,我々のモデルの可能性を強調した。 コードは受理後に公開される。

関連論文リスト

• EffiCANet: Efficient Time Series Forecasting with Convolutional Attention [12.784289506021265]
  EffiCANetは計算効率を維持しながら予測精度を向上させるように設計されている。 EffiCANetは最先端モデルに対するMAEの最大10.02%の削減を実現している。
  論文  参考訳（メタデータ） (2024-11-07T12:54:42Z)
• Neural P$^3$M: A Long-Range Interaction Modeling Enhancer for Geometric GNNs [66.98487644676906]
  我々は,幾何学的GNNの汎用エンハンサーであるNeural P$3$Mを導入し,その機能範囲を拡大する。 幅広い分子系に柔軟性を示し、エネルギーと力を予測する際、顕著な精度を示す。 また、さまざまなアーキテクチャを統合しながら、OE62データセットで平均22%の改善も達成している。
  論文  参考訳（メタデータ） (2024-09-26T08:16:59Z)
• TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
  本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。 時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。 並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
  論文  参考訳（メタデータ） (2024-04-15T06:01:48Z)
• Crystalformer: Infinitely Connected Attention for Periodic Structure Encoding [10.170537065646323]
  結晶構造から材料の物性を予測することは、材料科学の基本的な問題である。 結晶構造が無限に繰り返し、原子の周期的な配列であり、完全に連結された注意が無限に連結された注意をもたらすことを示す。 本稿では, 結晶構造に対する簡単なトランスフォーマーベースエンコーダアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-03-18T11:37:42Z)
• ADA-GNN: Atom-Distance-Angle Graph Neural Network for Crystal Material Property Prediction [3.7050297294650716]
  物性予測は結晶材料研究の基本的な課題である。 結合角と結合距離は結晶特性に大きな影響を与える2つの重要な構造情報である。 プロパティ予測タスクのための新しいAtom-Distance-Angle Graph Neural Network (ADA-GNN)を提案する。
  論文  参考訳（メタデータ） (2024-01-22T09:03:16Z)
• Disentangling Structured Components: Towards Adaptive, Interpretable and Scalable Time Series Forecasting [52.47493322446537]
  本研究では,時空間パターンの各コンポーネントを個別にモデル化する適応的,解釈可能,スケーラブルな予測フレームワークを開発する。 SCNNは、空間時間パターンの潜在構造を算術的に特徴づける、MSSの事前定義された生成プロセスで動作する。 SCNNが3つの実世界のデータセットの最先端モデルよりも優れた性能を達成できることを示すため、大規模な実験が行われた。
  論文  参考訳（メタデータ） (2023-05-22T13:39:44Z)
• Predicting Oxide Glass Properties with Low Complexity Neural Network and Physical and Chemical Descriptors [1.8734449181723827]
  酸化物ガラスの特性予測性能を向上させる低複雑性ニューラルネットワーク(LCNN)を提案する。 ガラス部品の大規模なデータセット(50000)をトレーニングすることにより、LCNNはXGBoostのような最先端のアルゴリズムより優れていることを示す。 LCNNモデルの普遍性を,オリジナルトレーニングセットに存在しない新しいコンポーネントを持つ眼鏡の特性を予測して示す。
  論文  参考訳（メタデータ） (2022-10-19T12:23:30Z)
• Global Filter Networks for Image Classification [90.81352483076323]
  本稿では,対数線形複雑度を持つ周波数領域における長期空間依存性を学習する,概念的に単純だが計算効率のよいアーキテクチャを提案する。 この結果から,GFNetはトランスフォーマー型モデルやCNNの効率,一般化能力,堅牢性において,非常に競争力のある代替手段となる可能性が示唆された。
  論文  参考訳（メタデータ） (2021-07-01T17:58:16Z)
• A Universal Framework for Featurization of Atomistic Systems [0.0]
  物理や機械学習に基づく反応力場は、時間と長さのスケールのギャップを埋めるために使うことができる。 本稿では,原子周囲の電子密度の物理的に関連する多極展開を利用するガウス多極(GMP)デデュール化スキームを紹介する。 我々は,GMPに基づくモデルがQM9データセットの化学的精度を達成できることを示し,新しい要素を外挿してもその精度は妥当であることを示した。
  論文  参考訳（メタデータ） (2021-02-04T03:11:00Z)
• Hierarchical Dynamic Filtering Network for RGB-D Salient Object Detection [91.43066633305662]
  RGB-D Salient Object Detection (SOD) の主な目的は、相互融合情報をよりよく統合し活用する方法である。 本稿では,これらの問題を新たな視点から考察する。 我々は、より柔軟で効率的なマルチスケールのクロスモーダルな特徴処理を実装している。
  論文  参考訳（メタデータ） (2020-07-13T07:59:55Z)
• When Residual Learning Meets Dense Aggregation: Rethinking the Aggregation of Deep Neural Networks [57.0502745301132]
  我々は,グローバルな残差学習と局所的なマイクロセンスアグリゲーションを備えた新しいアーキテクチャであるMicro-Dense Netsを提案する。 我々のマイクロセンスブロックはニューラルアーキテクチャ検索に基づくモデルと統合して性能を向上させることができる。
  論文  参考訳（メタデータ） (2020-04-19T08:34:52Z)

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。