論文の概要: Spectra-to-Structure and Structure-to-Spectra Inference Across the Periodic Table

• arxiv url: http://arxiv.org/abs/2506.11908v1
• Date: Fri, 13 Jun 2025 15:58:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-16 17:50:49.867075
• Title: Spectra-to-Structure and Structure-to-Spectra Inference Across the Periodic Table
• Title（参考訳）: 周期表全体のスペクトル-構造と構造-構造-スペクトル推論
• Authors: Yufeng Wang, Peiyao Wang, Lu Ma, Yuewei Lin, Qun Liu, Haibin Ling,
• Abstract要約: XAStructは結晶構造からXASスペクトルを予測し、XAS入力から局所構造記述子を推測できる学習フレームワークである。 XAStructは、周期表全体にわたって70以上の要素にまたがる大規模なデータセットでトレーニングされている。
• 参考スコア（独自算出の注目度）: 60.78615287040791
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: X-ray Absorption Spectroscopy (XAS) is a powerful technique for probing local atomic environments, yet its interpretation remains limited by the need for expert-driven analysis, computationally expensive simulations, and element-specific heuristics. Recent advances in machine learning have shown promise for accelerating XAS interpretation, but many existing models are narrowly focused on specific elements, edge types, or spectral regimes. In this work, we present XAStruct, a learning framework capable of both predicting XAS spectra from crystal structures and inferring local structural descriptors from XAS input. XAStruct is trained on a large-scale dataset spanning over 70 elements across the periodic table, enabling generalization to a wide variety of chemistries and bonding environments. The model includes the first machine learning approach for predicting neighbor atom types directly from XAS spectra, as well as a unified regression model for mean nearest-neighbor distance that requires no element-specific tuning. While we explored integrating the two pipelines into a single end-to-end model, empirical results showed performance degradation. As a result, the two tasks were trained independently to ensure optimal accuracy and task-specific performance. By combining deep neural networks for complex structure-property mappings with efficient baseline models for simpler tasks, XAStruct offers a scalable and extensible solution for data-driven XAS analysis and local structure inference. The source code will be released upon paper acceptance.
• Abstract（参考訳）: X線吸収分光法(XAS)は、局所原子環境を探索する強力な技術であるが、その解釈は専門家駆動分析、計算コストのかかるシミュレーション、元素固有のヒューリスティックスの必要性によって制限されている。 機械学習の最近の進歩は、XAS解釈を加速する公約を示しているが、既存のモデルの多くは、特定の要素、エッジタイプ、スペクトルレシエーションに焦点を絞っている。 本稿では,結晶構造からXASスペクトルを予測し,XAS入力から局所構造記述子を推定できる学習フレームワークであるXAStructを提案する。 XAStructは70以上の元素を周期表に散らばった大規模なデータセットで訓練されており、様々な化学薬品や結合環境への一般化を可能にしている。 このモデルには、XASスペクトルから直接隣の原子型を予測するための最初の機械学習アプローチと、要素固有のチューニングを必要としない平均近傍距離の統一回帰モデルが含まれる。 2つのパイプラインを1つのエンドツーエンドモデルに統合することを検討したが、実証実験の結果、パフォーマンスが低下した。 その結果、2つのタスクは、最適な精度とタスク固有のパフォーマンスを確保するために、独立して訓練された。 複雑な構造-プロパティマッピングのためのディープニューラルネットワークと、より簡単なタスクのための効率的なベースラインモデルを組み合わせることで、XAStructは、データ駆動型XAS分析と局所構造推論のためのスケーラブルで拡張可能なソリューションを提供する。 ソースコードは、論文の受理時に公開される。

関連論文リスト

• Scalable Context-Preserving Model-Aware Deep Clustering for Hyperspectral Images [51.95768218975529]
  ハイパースペクトル画像(HSI)の教師なし解析にサブスペースクラスタリングが広く採用されている。 近年のモデル対応深層空間クラスタリング手法では、O(n2)の複雑性を持つ自己表現行列の計算とスペクトルクラスタリングを含む2段階のフレームワークを用いることが多い。 本稿では,HSIクラスタリングを効率的に行うために,局所構造と非局所構造を協調的にキャプチャする,ベース表現に基づく拡張性のあるコンテキスト保存深層クラスタリング手法を提案する。
  論文  参考訳（メタデータ） (2025-06-12T16:43:09Z)
• A new framework for X-ray absorption spectroscopy data analysis based on machine learning: XASDAML [3.26781102547109]
  XASDAMLは、データ処理ワークフロー全体を統合したフレキシブルな機械学習ベースのフレームワークである。 包括的統計分析をサポートし、主成分分析やクラスタリングなどの手法を活用する。 XASDAMLの汎用性と有効性は、銅のデータセットに適用することで実証される。
  論文  参考訳（メタデータ） (2025-02-23T17:50:04Z)
• Learning Identifiable Structures Helps Avoid Bias in DNN-based Supervised Causal Learning [56.22841701016295]
  Supervised Causal Learning (SCL)はこの分野で新興パラダイムである。 既存のディープニューラルネットワーク(DNN)ベースの手法では、"Node-Edgeアプローチ"が一般的である。
  論文  参考訳（メタデータ） (2025-02-15T19:10:35Z)
• Interpretable Multimodal Machine Learning Analysis of X-ray Absorption Near-Edge Spectra and Pair Distribution Functions [0.0]
  X線近縁スペクトル (XANES) と原子対分布関数 (PDFs) を組み合わせて, 遷移金属カチオンの局所構造と化学的環境を抽出する。 XANESのみのモデルは概してPDFのみのモデルよりも優れており、構造的なタスクでも優れていた。
  論文  参考訳（メタデータ） (2024-10-22T22:49:31Z)
• OmniXAS: A Universal Deep-Learning Framework for Materials X-ray Absorption Spectra [0.6291443816903801]
  X線吸収分光法(XAS)は、吸収する原子の局所的な化学的環境を調べるための強力な特徴付け技術である。 我々は、XAS予測のための一連の伝達学習アプローチを含むフレームワークを提案し、それぞれが精度と効率の向上に寄与する。 提案手法は,XASモデリングのスループットを第1原理シミュレーションに比べて桁違いに向上させ,より広い範囲の要素に対するXAS予測に拡張可能である。
  論文  参考訳（メタデータ） (2024-09-29T04:41:10Z)
• Interpretable Mixture of Experts [71.55701784196253]
  Interpretable Mixture of Experts (IME)は本質的に解釈可能なモデリングフレームワークである。 IMEは単一の解釈可能なモデルよりも正確であることが示され、既存の最先端のDeep Neural Networks(DNN)と正確に比較できる。 IMEの説明は、ユーザスタディを通じて一般的に使われているポストホックな説明法と比較される。
  論文  参考訳（メタデータ） (2022-06-05T06:40:15Z)
• X2Parser: Cross-Lingual and Cross-Domain Framework for Task-Oriented Compositional Semantic Parsing [51.81533991497547]
  タスク指向コンポジションセマンティックパーシング(TCSP)は複雑なネストされたユーザクエリを処理する。 本報告では,TCSPの変換可能なクロスランガルとクロスドメインを比較した。 本稿では,フラット化意図とスロット表現を別々に予測し,両方の予測タスクをシーケンスラベリング問題にキャストすることを提案する。
  論文  参考訳（メタデータ） (2021-06-07T16:40:05Z)
• Adaptive Linear Span Network for Object Skeleton Detection [56.78705071830965]
  本研究では,適応線形スパンネットワーク(AdaLSN)を提案する。 AdaLSNは、精度とレイテンシのトレードオフを著しく高めることで、その汎用性を裏付ける。 また、エッジ検出や道路抽出といったイメージ・ツー・マスクのタスクに適用可能であることも示している。
  論文  参考訳（メタデータ） (2020-11-08T12:51:14Z)

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。