論文の概要: InvDesFlow-AL: Active Learning-based Workflow for Inverse Design of Functional Materials

• arxiv url: http://arxiv.org/abs/2505.09203v1
• Date: Wed, 14 May 2025 07:29:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-15 21:44:09.393379
• Title: InvDesFlow-AL: Active Learning-based Workflow for Inverse Design of Functional Materials
• Title（参考訳）: InvDesFlow-AL: 機能性材料の逆設計のためのアクティブラーニングベースのワークフロー
• Authors: Xiao-Qi Han, Peng-Jie Guo, Ze-Feng Gao, Hao Sun, Zhong-Yi Lu,
• Abstract要約: InvDesFlow-ALという,能動的学習戦略に基づく逆材料設計生成フレームワークを提案する。 InvDesFlow-ALモデルは、既存の生成モデルに比べて32.96%の性能向上を示す0.0423 AA-ALのRMSEを達成する。 InvDesFlow-ALは低エネルギー・低エネルギー材料の設計に成功している。
• 参考スコア（独自算出の注目度）: 10.518405572411286
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Developing inverse design methods for functional materials with specific properties is critical to advancing fields like renewable energy, catalysis, energy storage, and carbon capture. Generative models based on diffusion principles can directly produce new materials that meet performance constraints, thereby significantly accelerating the material design process. However, existing methods for generating and predicting crystal structures often remain limited by low success rates. In this work, we propose a novel inverse material design generative framework called InvDesFlow-AL, which is based on active learning strategies. This framework can iteratively optimize the material generation process to gradually guide it towards desired performance characteristics. In terms of crystal structure prediction, the InvDesFlow-AL model achieves an RMSE of 0.0423 {\AA}, representing an 32.96% improvement in performance compared to exsisting generative models. Additionally, InvDesFlow-AL has been successfully validated in the design of low-formation-energy and low-Ehull materials. It can systematically generate materials with progressively lower formation energies while continuously expanding the exploration across diverse chemical spaces. These results fully demonstrate the effectiveness of the proposed active learning-driven generative model in accelerating material discovery and inverse design. To further prove the effectiveness of this method, we took the search for BCS superconductors under ambient pressure as an example explored by InvDesFlow-AL. As a result, we successfully identified Li\(_2\)AuH\(_6\) as a conventional BCS superconductor with an ultra-high transition temperature of 140 K. This discovery provides strong empirical support for the application of inverse design in materials science.
• Abstract（参考訳）: 特定の特性を持つ機能性材料の逆設計法の開発は、再生可能エネルギー、触媒、エネルギー貯蔵、炭素捕獲といった分野の発展に不可欠である。 拡散原理に基づく生成モデルは、性能制約を満たす新しい材料を直接生成し、材料設計プロセスを大幅に加速させることができる。 しかし、既存の結晶構造の生成と予測方法は、低い成功率で制限されることが多い。 本研究では,InvDesFlow-ALと呼ばれる,能動的学習戦略に基づく逆材料設計生成フレームワークを提案する。 このフレームワークは、材料生成プロセスを反復的に最適化して、徐々に所望のパフォーマンス特性に導くことができる。 結晶構造予測において、InvDesFlow-ALモデルは、既存の生成モデルと比較して32.96%の性能向上を示す0.0423 {\AA} のRMSEを達成する。 さらに、InvDesFlow-ALは低形エネルギー・低エネルギー材料の設計に成功している。 徐々に低い形成エネルギーを持つ物質を系統的に生成し、多様な化学空間を横断する探索を継続的に拡張することができる。 これらの結果は,材料発見と逆設計を加速させるために提案した能動的学習駆動生成モデルの有効性を十分に証明している。 InvDesFlow-ALを例として,BCS超伝導体の環境圧力下での探索を行った。 その結果,Li\(_2\)AuH\(_6\)を超高転移温度140KのBCS超伝導体として同定した。

関連論文リスト

• Inverse Materials Design by Large Language Model-Assisted Generative Framework [35.04390544440238]
  AlloyGANは、Large Language Model (LLM) を利用したテキストマイニングと条件付き生成支援ネットワーク (CGAN) を統合したフレームワークである。 金属ガラスの場合、このフレームワークは実験から8%未満の差で熱力学特性を予測する。 生成AIをドメイン知識でブリッジすることで、A AlloyGANは、カスタマイズされた特性を持つ物質の発見を加速するスケーラブルなアプローチを提供する。
  論文  参考訳（メタデータ） (2025-02-25T11:52:59Z)
• Active Learning for Conditional Inverse Design with Crystal Generation and Foundation Atomic Models [2.8408587358426725]
  本稿では, 結晶生成モデルと基本原子モデルを組み合わせて, 逆設計の精度と効率を高めるための能動的学習フレームワークを提案する。 我々のフレームワークは、様々な結晶生成と基盤原子モデルに対応し、AI駆動材料発見のためのスケーラブルなアプローチを確立している。
  論文  参考訳（メタデータ） (2025-02-24T09:15:38Z)
• 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)
• Jet: A Modern Transformer-Based Normalizing Flow [62.2573739835562]
  本稿では,結合型正規化フローモデルの設計を再考する。 よりシンプルなアーキテクチャで、最先端の定量的、質的なパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2024-12-19T18:09:42Z)
• Cliqueformer: Model-Based Optimization with Structured Transformers [102.55764949282906]
  大規模なニューラルネットワークは予測タスクに優れるが、タンパク質工学や材料発見といった設計問題への応用には、オフラインモデルベース最適化(MBO)の問題を解決する必要がある。 機能的グラフィカルモデル(FGM)を用いてブラックボックス関数の構造を学習するトランスフォーマーベースのアーキテクチャであるCliqueformerを提案する。 化学および遺伝子設計タスクを含む様々な領域において、Cliqueformerは既存の方法よりも優れた性能を示している。
  論文  参考訳（メタデータ） (2024-10-17T00:35:47Z)
• Aligning Optimization Trajectories with Diffusion Models for Constrained Design Generation [17.164961143132473]
  本稿では,拡散モデルのサンプリング軌跡と従来の物理法に基づく最適化軌跡との整合性を示す学習フレームワークを提案する。 提案手法では,高コストプリプロセッシングや外部サロゲートモデル,ラベル付きデータの追加を必要とせずに,実用的で高性能な設計を2段階で生成することができる。 この結果から, TAは分布内構成における最先端の深層生成モデルより優れ, 推論計算コストを半減することがわかった。
  論文  参考訳（メタデータ） (2023-05-29T09:16:07Z)
• 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。