論文の概要: A Generative Diffusion Model for Amorphous Materials

• arxiv url: http://arxiv.org/abs/2507.05024v1
• Date: Mon, 07 Jul 2025 14:08:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:35.451424
• Title: A Generative Diffusion Model for Amorphous Materials
• Title（参考訳）: アモルファス材料の生成拡散モデル
• Authors: Kai Yang, Daniel Schwalbe-Koda,
• Abstract要約: 従来のシミュレーションの1000倍の速度でアモルファス構造を確実に生成する拡散モデルを提案する。 条件生成により、10$-2$ K/psの低い冷却速度で大型構造物をサンプリングし、延性-脆性遷移とメソポーラスシリカ構造を明らかにすることができた。
• 参考スコア（独自算出の注目度）: 2.007205804138591
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Generative models show great promise for the inverse design of molecules and inorganic crystals, but remain largely ineffective within more complex structures such as amorphous materials. Here, we present a diffusion model that reliably generates amorphous structures up to 1000 times faster than conventional simulations across processing conditions, compositions, and data sources. Generated structures recovered the short- and medium-range order, sampling diversity, and macroscopic properties of silica glass, as validated by simulations and an information-theoretical strategy. Conditional generation allowed sampling large structures at low cooling rates of 10$^{-2}$ K/ps to uncover a ductile-to-brittle transition and mesoporous silica structures. Extension to metallic glassy systems accurately reproduced local structures and properties from both computational and experimental datasets, demonstrating how synthetic data can be generated from characterization results. Our methods provide a roadmap for the design and simulation of amorphous materials previously inaccessible to computational methods.
• Abstract（参考訳）: 生成モデルは、分子や無機結晶の逆設計を大いに約束するが、アモルファス材料のようなより複雑な構造の中ではほとんど効果がない。 本稿では,アモルファス構造を従来の処理条件,合成,データソースの1000倍高速に生成する拡散モデルを提案する。 シリカガラスの短距離および中距離秩序, サンプリング多様性, マクロ特性をシミュレーションおよび情報理論的戦略により検証した。 条件生成により、10$^{-2}$ K/psの低い冷却速度で大きな構造をサンプリングし、延性-脆性遷移とメソポーラスシリカ構造を明らかにすることができた。 金属ガラスシステムへの拡張は、計算と実験の両方のデータセットから局所構造と特性を正確に再現し、特徴付け結果から合成データが生成できることを実証した。 本手法は,非晶質材料の設計とシミュレーションのロードマップを提供する。

関連論文リスト

• 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 Inverse Design of Crystal Structures via Diffusion Models with Transformers [1.2289361708127877]
  有望な性質を持つ新しい無機材料は、科学的にも工業的にも重要な課題である。 有望な性質を持つ新しい無機材料の発見は、科学的にも工業的にも重要な課題である。 そこで本研究では,トランスフォーマーアーキテクチャに基づくバックボーンを用いた,結晶構造の生成的逆設計のための新しいタイプの拡散モデルについて検討する。
  論文  参考訳（メタデータ） (2024-06-13T16:03:15Z)
• Compositional Representation of Polymorphic Crystalline Materials [56.80318252233511]
  PCRLは,構成の確率論的モデリングを用いて,利用可能な構造情報から多型を抽出する手法である。 16のデータセットに対する広範囲な評価は、構成表現の学習におけるPCRLの有効性を示す。
  論文  参考訳（メタデータ） (2023-11-17T20:34:28Z)
• 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)
• Data-Driven Score-Based Models for Generating Stable Structures with Adaptive Crystal Cells [1.515687944002438]
  本研究は, 化学安定性や化学組成など, 新しい結晶構造を創出することを目的としている。 提案手法の新規性は、結晶細胞の格子が固定されていないという事実にある。 対称性の制約を尊重し、計算上の優位性をもたらす多グラフ結晶表現が導入された。
  論文  参考訳（メタデータ） (2023-10-16T02:53:24Z)
• 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)
• Learning Neural Generative Dynamics for Molecular Conformation Generation [89.03173504444415]
  分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。 分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-02-20T03:17:58Z)

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。