論文の概要: Kinetic Langevin Diffusion for Crystalline Materials Generation

• arxiv url: http://arxiv.org/abs/2507.03602v1
• Date: Fri, 04 Jul 2025 14:18:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.797339
• Title: Kinetic Langevin Diffusion for Crystalline Materials Generation
• Title（参考訳）: 結晶材料生成のための動的ランゲビン拡散
• Authors: François Cornet, Federico Bergamin, Arghya Bhowmik, Juan Maria Garcia Lastra, Jes Frellsen, Mikkel N. Schmidt,
• Abstract要約: 結晶生成のための新しい拡散モデルであるKLDM(Kineetic Langevin Diffusion for Materials)を紹介する。 座標を速度を表す補助ユークリッド変数と結合することにより、拡散過程は平面空間にオフセットされる。 結晶構造予測 (CSP) とデノボ生成 (DNG) の両方のタスクでKLDMを評価する。
• 参考スコア（独自算出の注目度）: 8.275553926021168
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative modeling of crystalline materials using diffusion models presents a series of challenges: the data distribution is characterized by inherent symmetries and involves multiple modalities, with some defined on specific manifolds. Notably, the treatment of fractional coordinates representing atomic positions in the unit cell requires careful consideration, as they lie on a hypertorus. In this work, we introduce Kinetic Langevin Diffusion for Materials (KLDM), a novel diffusion model for crystalline materials generation, where the key innovation resides in the modeling of the coordinates. Instead of resorting to Riemannian diffusion on the hypertorus directly, we generalize Trivialized Diffusion Model (TDM) to account for the symmetries inherent to crystals. By coupling coordinates with auxiliary Euclidean variables representing velocities, the diffusion process is now offset to a flat space. This allows us to effectively perform diffusion on the hypertorus while providing a training objective that accounts for the periodic translation symmetry of the true data distribution. We evaluate KLDM on both Crystal Structure Prediction (CSP) and De-novo Generation (DNG) tasks, demonstrating its competitive performance with current state-of-the-art models.
• Abstract（参考訳）: 拡散モデルを用いた結晶材料の生成モデリングは、データ分布は固有の対称性によって特徴づけられ、複数のモジュラリティが伴う。 特に、単位細胞の原子位置を表す分数座標の処理は、ハイパートーラス上にあるため、慎重に考慮する必要がある。 本研究では, 結晶材料生成のための新しい拡散モデルであるKLDM(Kineetic Langevin Diffusion for Materials)を紹介する。 ハイパートーラス上でのリーマン拡散に代えて、結晶に固有の対称性を考慮に入れたTDM(Trivialized Diffusion Model)を一般化する。 座標を速度を表す補助ユークリッド変数と結合することにより、拡散過程は平面空間にオフセットされる。 これにより、真のデータ分布の周期的翻訳対称性を考慮したトレーニング目標を提供しながら、ハイパートーラス上での拡散を効果的に行うことができる。 我々は,結晶構造予測 (CSP) とデノボ生成 (DNG) の両方のタスク上でKLDMを評価し,現在の最先端モデルとの競合性能を実証した。

関連論文リスト

• Towards Unified and Lossless Latent Space for 3D Molecular Latent Diffusion Modeling [77.26556208024633]
  3次元分子生成は、薬物発見と物質科学に不可欠である。 既存のアプローチは、典型的には不変かつ同変なモジュラリティに対して別々のラテント空間を保持する。 我々は,3次元分子を潜在空間から潜在配列に圧縮するマルチモーダルVAEである textbfUAE-3D を提案する。
  論文  参考訳（メタデータ） (2025-03-19T08:56:13Z)
• A Periodic Bayesian Flow for Material Generation [20.62877413439857]
  周期的ベイズ流の提案による新しい結晶生成法であるCrysBFNを紹介する。 周期的ベイズ流の概念を実現するために、CrysBFNは新しいエントロピー条件機構を統合する。 CrysBFNの結晶生成と結晶構造予測の両方に関する実験は、CrysBFNの優位性を実証している。
  論文  参考訳（メタデータ） (2025-02-04T05:07:13Z)
• Geometric Trajectory Diffusion Models [58.853975433383326]
  生成モデルは3次元幾何学システムの生成において大きな可能性を示してきた。 既存のアプローチは静的構造のみで動作し、物理系は常に自然界において動的であるという事実を無視する。 本研究では3次元軌跡の時間分布をモデル化する最初の拡散モデルである幾何軌道拡散モデル(GeoTDM)を提案する。
  論文  参考訳（メタデータ） (2024-10-16T20:36:41Z)
• Convergence Analysis of Discrete Diffusion Model: Exact Implementation through Uniformization [17.535229185525353]
  連続マルコフ連鎖の均一化を利用したアルゴリズムを導入し、ランダムな時間点の遷移を実装した。 我々の結果は、$mathbbRd$における拡散モデルの最先端の成果と一致し、さらに$mathbbRd$設定と比較して離散拡散モデルの利点を浮き彫りにする。
  論文  参考訳（メタデータ） (2024-02-12T22:26:52Z)
• Geometric Neural Diffusion Processes [55.891428654434634]
  拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。 これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
  論文  参考訳（メタデータ） (2023-07-11T16:51:38Z)
• Lipschitz Singularities in Diffusion Models [64.28196620345808]
  拡散モデルは、零点付近の時間変数に関して、しばしばネットワークの無限のリプシッツ特性を示す。 ゼロ点近傍の拡散モデルのリプシッツ特異点を緩和する新しい手法 E-TSDM を提案する。 我々の研究は、一般拡散過程の理解を深め、拡散モデルの設計に関する洞察を提供するかもしれない。
  論文  参考訳（メタデータ） (2023-06-20T03:05:28Z)
• Unifying Diffusion Models' Latent Space, with Applications to CycleDiffusion and Guidance [95.12230117950232]
  関係領域で独立に訓練された2つの拡散モデルから共通潜時空間が現れることを示す。 テキスト・画像拡散モデルにCycleDiffusionを適用することで、大規模なテキスト・画像拡散モデルがゼロショット画像・画像拡散エディタとして使用できることを示す。
  論文  参考訳（メタデータ） (2022-10-11T15:53:52Z)

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。