論文の概要: Symmetry-Aware Bayesian Flow Networks for Crystal Generation

• arxiv url: http://arxiv.org/abs/2502.03146v1
• Date: Wed, 05 Feb 2025 13:14:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-06 14:23:54.440772
• Title: Symmetry-Aware Bayesian Flow Networks for Crystal Generation
• Title（参考訳）: 結晶生成のための対称性を考慮したベイズ流網
• Authors: Laura Ruple, Luca Torresi, Henrik Schopmans, Pascal Friederich,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.562479170374811
• License:
• Abstract: The discovery of new crystalline materials is essential to scientific and technological progress. However, traditional trial-and-error approaches are inefficient due to the vast search space. Recent advancements in machine learning have enabled generative models to predict new stable materials by incorporating structural symmetries and to condition the generation on desired properties. In this work, we introduce SymmBFN, a novel symmetry-aware Bayesian Flow Network (BFN) for crystalline material generation that accurately reproduces the distribution of space groups found in experimentally observed crystals. SymmBFN substantially improves efficiency, generating stable structures at least 50 times faster than the next-best method. Furthermore, we demonstrate its capability for property-conditioned generation, enabling the design of materials with tailored properties. Our findings establish BFNs as an effective tool for accelerating the discovery of crystalline materials.
• Abstract（参考訳）: 新しい結晶の発見は、科学的・技術的進歩に不可欠である。 しかし、従来の試行錯誤アプローチは、膨大な検索スペースのために非効率である。 近年の機械学習の進歩により、構造対称性を取り入れて新たな安定物質を予測し、所望の特性で生成を条件付けることができるようになった。 本研究では, 実験的に観察された結晶中の空間群の分布を正確に再現する, 結晶材料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SymphBFN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。 さらに, 特性条件付き材料の設計を可能にする特性条件生成の能力を示す。 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。

関連論文リスト

• Crystal Structure Generation Based On Material Properties [7.28655553959202]
  期待される材料特性から結晶構造を生成する結晶DiTモデルを提案する。 実験により,提案手法は良好な性能を示した。
  論文  参考訳（メタデータ） (2024-11-13T09:36:50Z)
• 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)
• Fine-Tuned Language Models Generate Stable Inorganic Materials as Text [57.01994216693825]
  テキストエンコードされた原子構造データに基づく微調整された大規模言語モデルは、実装が簡単で信頼性が高い。 我々の最強モデルは、CDVAEの約2倍の速度で準安定であると予測された物質を生成することができる。 テキストプロンプト固有の柔軟性のため、我々のモデルは安定物質を無条件に生成するために同時に使用することができる。
  論文  参考訳（メタデータ） (2024-02-06T20:35:28Z)
• 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)
• 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)
• Latent Diffusion Energy-Based Model for Interpretable Text Modeling [104.85356157724372]
  本稿では,拡散モデルと潜時空間ESMの共生を変動学習フレームワークで導入する。 我々は,学習した潜在空間の品質を向上させるために,情報ボトルネックと合わせて幾何学的クラスタリングに基づく正規化を開発する。
  論文  参考訳（メタデータ） (2022-06-13T03:41:31Z)

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。