論文の概要: Large Language Models Are Innate Crystal Structure Generators

• arxiv url: http://arxiv.org/abs/2502.20933v1
• Date: Fri, 28 Feb 2025 10:41:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-03 13:40:29.187896
• Title: Large Language Models Are Innate Crystal Structure Generators
• Title（参考訳）: 大規模言語モデルは自然結晶構造生成器である
• Authors: Jingru Gan, Peichen Zhong, Yuanqi Du, Yanqiao Zhu, Chenru Duan, Haorui Wang, Carla P. Gomes, Kristin A. Persson, Daniel Schwalbe-Koda, Wei Wang,
• Abstract要約: 本研究では,事前学習した大規模言語モデルが,追加のトレーニングを伴わずに本質的に安定な結晶構造を生成可能であることを示す。 私たちのフレームワークであるMatLLMSearchは、事前訓練されたLLMと進化的検索アルゴリズムを統合し、78.38%のメタスタブルレートを達成する。
• 参考スコア（独自算出の注目度）: 30.44669215588058
• License:
• Abstract: Crystal structure generation is fundamental to materials discovery, enabling the prediction of novel materials with desired properties. While existing approaches leverage Large Language Models (LLMs) through extensive fine-tuning on materials databases, we show that pre-trained LLMs can inherently generate stable crystal structures without additional training. Our novel framework MatLLMSearch integrates pre-trained LLMs with evolutionary search algorithms, achieving a 78.38% metastable rate validated by machine learning interatomic potentials and 31.7% DFT-verified stability via quantum mechanical calculations, outperforming specialized models such as CrystalTextLLM. Beyond crystal structure generation, we further demonstrate that our framework can be readily adapted to diverse materials design tasks, including crystal structure prediction and multi-objective optimization of properties such as deformation energy and bulk modulus, all without fine-tuning. These results establish pre-trained LLMs as versatile and effective tools for materials discovery, opening up new venues for crystal structure generation with reduced computational overhead and broader accessibility.
• Abstract（参考訳）: 結晶構造生成は材料発見の基礎であり、望ましい性質を持つ新しい物質の予測を可能にする。 既存のアプローチでは,大規模言語モデル (LLM) を教材データベース上で広範囲に微調整することで活用するが,事前学習したLCMは,追加の訓練なしに本質的に安定な結晶構造を生成可能であることを示す。 我々の新しいフレームワークであるMatLLMSearchは、事前学習されたLLMと進化的探索アルゴリズムを統合し、機械学習の原子間ポテンシャルによって検証された78.38%のメタスタブルレートと、量子力学計算によるDFT検証された安定性を31.7%達成し、CrystalTextLLMのような特殊モデルよりも優れている。 さらに, 結晶構造生成以外にも, 結晶構造予測や変形エネルギーやバルク率などの特性の多目的最適化など, 各種材料設計タスクにも容易に適用可能であることを実証した。 これらの結果は、材料発見のための汎用的で効果的なツールとして、事前学習されたLCMを確立し、計算オーバーヘッドを低減し、より広いアクセス性を持つ結晶構造生成のための新たな場所を開設する。

関連論文リスト

• Transformer-Enhanced Variational Autoencoder for Crystal Structure Prediction [16.846289696048647]
  結晶構造予測のための変圧器強化変分オートエンコーダ(TransVAE-CSP)を提案する。 TransVAE-CSPは安定物質の特性分布空間を学習し、結晶構造の再構築と生成を可能にする。 CO_24, perov_5, mp_20データセットの実験結果から, TransVAE-CSPは構造再構成および生成タスクにおいて, 既存の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-02-13T15:45:36Z)
• Symmetry-Aware Bayesian Flow Networks for Crystal Generation [0.562479170374811]
  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。
  論文  参考訳（メタデータ） (2025-02-05T13:14:50Z)
• 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)
• Generative Hierarchical Materials Search [91.93125016916463]
  結晶構造の制御可能な生成のための生成階層材料探索(GenMS)を提案する。 GenMSは(1)高レベル自然言語を入力とし、結晶に関する中間テキスト情報を生成する言語モデルからなる。 GenMSはまた、生成された結晶構造から特性(たとえば生成エネルギー)を予測するためにグラフニューラルネットワークを使用する。
  論文  参考訳（メタデータ） (2024-09-10T17:51:28Z)
• Universal Machine Learning Kohn-Sham Hamiltonian for Materials [5.189794091596078]
  本研究では、ハミルトニアン行列に基づいて訓練された普遍電子ハミルトニアンモデルを紹介する。 周期表全体にわたって電子構造を予測する際の一般化を実証する。 電子的性質を計算するための信頼性の高いフレームワークを提供することにより、この普遍的ハミルトンモデルは様々な分野の進歩の基盤となる。
  論文  参考訳（メタデータ） (2024-02-14T15:38:56Z)
• 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)
• 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)

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。