Fugu-MT 論文翻訳(概要): MatLLMSearch: Crystal Structure Discovery with Evolution-Guided Large Language Models

論文の概要: MatLLMSearch: Crystal Structure Discovery with Evolution-Guided Large Language Models

arxiv url: http://arxiv.org/abs/2502.20933v2
Date: Mon, 06 Oct 2025 19:52:50 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-27 22:13:09.09449
Title: MatLLMSearch: Crystal Structure Discovery with Evolution-Guided Large Language Models
Title（参考訳）: MatLLMSearch: 進化誘導型大規模言語モデルによる結晶構造発見
Authors: Jingru Gan, Peichen Zhong, Yuanqi Du, Yanqiao Zhu, Chenru Duan, Haorui Wang, Daniel Schwalbe-Koda, Carla P. Gomes, Kristin A. Persson, Wei Wang,
Abstract要約: 事前学習されたLarge Language Models (LLMs) は, 微調整を伴わずに, 本質的に新規で安定した結晶構造を生成可能であることを示す。我々のフレームワークは、進化的パイプライン内でLSMをインテリジェントな提案エージェントとして使用し、暗黙のクロスオーバーと突然変異操作を実行するように誘導する。 MatLLMSearchは、機械学習の原子間ポテンシャルによって78.38%の準安定率と31.7%のDFT認証安定性を達成している。
参考スコア（独自算出の注目度）: 27.083255538087215
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Crystal structure generation is fundamental to materials science, enabling the discovery 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 novel and stable crystal structures without additional fine-tuning. Our framework employs LLMs as intelligent proposal agents within an evolutionary pipeline that guides them to perform implicit crossover and mutation operations while maintaining chemical validity. We demonstrate that MatLLMSearch achieves a 78.38% metastable rate validated by machine learning interatomic potentials and 31.7% DFT-verified stability, outperforming specialized models such as CrystalTextLLM. Beyond crystal structure generation, we further demonstrate that our framework adapts 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 our framework as a versatile and effective framework for consistent high-quality materials discovery, offering training-free generation of novel stable structures with reduced overhead and broader accessibility.
Abstract（参考訳）: 結晶構造生成は材料科学の基礎であり、望ましい性質を持つ新しい物質の発見を可能にする。既存のアプローチでは,大規模言語モデル(LLM)を材料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,新たな結晶構造と安定な結晶構造を,追加の微調整なしで本質的に生成できることが示されている。進化的パイプラインではLSMをインテリジェントなプロポーザルとして使用し,化学的妥当性を維持しつつ暗黙のクロスオーバーと突然変異操作を行うように誘導する。我々は、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31.7%のDFT認証安定性を達成し、CrystalTextLLMのような特殊なモデルよりも優れていることを実証した。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, 微調整の必要なく, 多様な材料設計タスクに適応することが実証された。これらの結果から,本フレームワークを高品質な材料発見のための汎用的で効果的なフレームワークとして確立し,オーバーヘッドの低減とアクセシビリティの向上を図った。

関連論文リスト

CrystalFormer-RL: Reinforcement Fine-Tuning for Materials Design [2.290956583394892]
自己回帰変換器を用いた材料生成モデルCrystalFormerへの強化微細調整の適用について検討する。報酬信号の最適化により、微調整は識別モデルからの知識を生成モデルに注入する。生成したモデルであるCrystalFormer-RLは、生成した結晶の安定性を向上し、望ましいが矛盾する材料特性を持つ結晶の発見に成功した。
論文参考訳（メタデータ） (2025-04-03T07:59:30Z)
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。