論文の概要: Quotient Complex Transformer (QCformer) for Perovskite Data Analysis

• arxiv url: http://arxiv.org/abs/2505.09174v1
• Date: Wed, 14 May 2025 06:13:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-15 21:44:09.386985
• Title: Quotient Complex Transformer (QCformer) for Perovskite Data Analysis
• Title（参考訳）: ペロブスカイトデータ解析のためのQuotient Complex Transformer (QCformer)
• Authors: Xinyu You, Xiang Liu, Chuan-Shen Hu, Kelin Xia, Tze Chien Sum,
• Abstract要約: ハイブリッド有機-無機ペロブスカイト (HOIPs) は、光電気学において例外的な光電子特性に注目されている。 従来のグラフニューラルネットワーク(GNN)は、そのようなシステムで一般的な周期構造や高次相互作用を捉えるのに苦労することが多い。 本稿では、商複体(QC)に基づく新しい表現を提案し、物質特性予測のためのQuotient Complex Transformer(QCformer)を提案する。
• 参考スコア（独自算出の注目度）: 3.1822722011024847
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The discovery of novel functional materials is crucial in addressing the challenges of sustainable energy generation and climate change. Hybrid organic-inorganic perovskites (HOIPs) have gained attention for their exceptional optoelectronic properties in photovoltaics. Recently, geometric deep learning, particularly graph neural networks (GNNs), has shown strong potential in predicting material properties and guiding material design. However, traditional GNNs often struggle to capture the periodic structures and higher-order interactions prevalent in such systems. To address these limitations, we propose a novel representation based on quotient complexes (QCs) and introduce the Quotient Complex Transformer (QCformer) for material property prediction. A material structure is modeled as a quotient complex, which encodes both pairwise and many-body interactions via simplices of varying dimensions and captures material periodicity through a quotient operation. Our model leverages higher-order features defined on simplices and processes them using a simplex-based Transformer module. We pretrain QCformer on benchmark datasets such as the Materials Project and JARVIS, and fine-tune it on HOIP datasets. The results show that QCformer outperforms state-of-the-art models in HOIP property prediction, demonstrating its effectiveness. The quotient complex representation and QCformer model together contribute a powerful new tool for predictive modeling of perovskite materials.
• Abstract（参考訳）: 持続可能なエネルギー生成と気候変動の課題に対処するためには、新しい機能性物質の発見が不可欠である。 ハイブリッド有機-無機ペロブスカイト (HOIPs) は、光電気学において例外的な光電子特性に注目されている。 近年、幾何学的深層学習、特にグラフニューラルネットワーク(GNN)は、材料特性の予測と材料設計の導出に強い可能性を示している。 しかし、従来のGNNは周期構造と高次相互作用を捉えるのに苦労することが多い。 これらの制約に対処するために、商複体(QC)に基づく新しい表現を提案し、物質特性予測のためのQuotient Complex Transformer(QCformer)を提案する。 物質構造は商複体としてモデル化され、各次元の単純さによって一対と多体の両方の相互作用を符号化し、商演算により物質周期性をキャプチャする。 我々のモデルは、単純化で定義された高次機能を活用し、単純なxベースのTransformerモジュールを使用してそれらを処理します。 我々は、Material ProjectやJARVISといったベンチマークデータセットでQCformerを事前トレーニングし、HOIPデータセットで微調整する。 その結果,QCformerはHOIP特性予測における最先端モデルよりも優れており,その有効性が示された。 商複素表現とQCformerモデルは、ペロブスカイト材料の予測モデリングのための強力な新しいツールを提供する。

関連論文リスト

• Explainable Prediction of the Mechanical Properties of Composites with CNNs [11.662972025976192]
  説明可能なAI(XAI)の手法を備えた畳み込みニューラルネットワーク(CNN)が,この問題の解決に有効であることを示す。 提案手法では, 逆張力試験を用いて生成したデータセットに基づいて学習したカスタムCNNを用いて, コンポジットの機械的特性を予測する。 次に、SHAPと統合勾配の2つのポストホックXAI法を用いて予測を説明し、CNNが合成体の挙動に影響を与える重要な幾何学的特徴を用いていることを示す。
  論文  参考訳（メタデータ） (2025-05-20T08:54:06Z)
• A Materials Foundation Model via Hybrid Invariant-Equivariant Architectures [53.273077346444886]
  機械学習の原子間ポテンシャル(MLIP)は材料のエネルギー、力、ストレスを予測する。 MLIPにおける重要な設計選択は、不変アーキテクチャと同変アーキテクチャのトレードオフである。 HIENetは、不変層と同変層の両方を統合した、ハイブリッド不変・同変物質間ポテンシャルモデルである。
  論文  参考訳（メタデータ） (2025-02-25T18:01:05Z)
• Quantum Computing Based Design of Multivariate Porous Materials [1.0923877073891446]
  ハミルトニアンモデルは、構成的、構造的、バランスの制約を統合する量子コンピューティングのために開発された。 Smpling VQEアルゴリズムを用いて可変量子回路を構築し,実行した。 VQE計算は実際の量子ハードウェア上で検証のために行われ、多孔質材料の合理的設計のための実用的な量子アルゴリズムへの第一歩を示唆した。
  論文  参考訳（メタデータ） (2025-02-10T10:40:22Z)
• Do Graph Neural Networks Work for High Entropy Alloys? [12.002942104379986]
  高エントロピー合金(HEA)は化学的な長距離秩序を欠き、現在のグラフ表現の適用性を制限する。 本稿では,HEA特性予測のための正確かつ解釈可能なGNNであるLESets機械学習モデルを紹介する。 第四紀HEAの力学特性のモデル化におけるLESetsの精度を実証する。
  論文  参考訳（メタデータ） (2024-08-29T08:20:02Z)
• 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)
• Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
  本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。 我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。 本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
  論文  参考訳（メタデータ） (2023-07-04T05:19:19Z)
• 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)
• 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)
• PARC: Physics-Aware Recurrent Convolutional Neural Networks to Assimilate Meso-scale Reactive Mechanics of Energetic Materials [0.0]
  衝撃開始エネルギー材料(EM)のメソスケール熱力学を学習する深層学習アルゴリズムであるPARCニューラルネットワークについて述べる。 PARCにおける人工ニューロンの可視化は、EM熱力学の重要な側面に光を当てることと、EMを概念化する追加レンズを提供することを実証する。
  論文  参考訳（メタデータ） (2022-04-04T14:29:35Z)
• Formula graph self-attention network for representation-domain independent materials discovery [3.67735033631952]
  本稿では,理論のみと構造に基づく材料記述子の両方を統一する公式グラフの新たな概念を提案する。 本稿では,式グラフに類似した自己注意統合GNNを開発し,提案アーキテクチャが2つの領域間で伝達可能な材料埋め込みを生成することを示す。 我々のモデルは、構造に依存しない従来のGNNよりも大幅に優れています。
  論文  参考訳（メタデータ） (2022-01-14T19:49:45Z)
• 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)
• Parameterized Hypercomplex Graph Neural Networks for Graph Classification [1.1852406625172216]
  我々は超複雑特徴変換の特性を利用するグラフニューラルネットワークを開発した。 特に、提案したモデルのクラスでは、代数自身を特定する乗法則は、トレーニング中にデータから推測される。 提案するハイパーコンプレックスgnnをいくつかのオープングラフベンチマークデータセット上でテストし,そのモデルが最先端の性能に達することを示す。
  論文  参考訳（メタデータ） (2021-03-30T18:01:06Z)
• Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
  無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。 モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。 その結果,クロスバリデーションにより予測精度が期待できることがわかった。
  論文  参考訳（メタデータ） (2020-05-27T13:32:10Z)
• Learning Bijective Feature Maps for Linear ICA [73.85904548374575]
  画像データに適した既存の確率的深層生成モデル (DGM) は, 非線形ICAタスクでは不十分であることを示す。 そこで本研究では,2次元特徴写像と線形ICAモデルを組み合わせることで,高次元データに対する解釈可能な潜在構造を学習するDGMを提案する。 画像上のフローベースモデルや線形ICA、変分オートエンコーダよりも、高速に収束し、訓練が容易なモデルを作成し、教師なしの潜在因子発見を実現する。
  論文  参考訳（メタデータ） (2020-02-18T17:58:07Z)

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。