論文の概要: Challenges in Non-Polymeric Crystal Structure Prediction: Why a Geometric, Permutation-Invariant Loss is Needed

• arxiv url: http://arxiv.org/abs/2509.00832v3
• Date: Fri, 26 Sep 2025 11:33:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 18:47:02.684508
• Title: Challenges in Non-Polymeric Crystal Structure Prediction: Why a Geometric, Permutation-Invariant Loss is Needed
• Title（参考訳）: 非ポリマー結晶構造予測の課題:なぜ幾何学的・置換不変損失が必要なのか
• Authors: Emmanuel Jehanno, Romain Menegaux, Julien Mairal, Sergei Grudinin,
• Abstract要約: 分子集合問題に焦点をあて、同一の剛性分子のセット$mathcalS$を充填して結晶構造を形成する。 本稿では,鍵となる幾何学的特性を捉えた損失関数を導入する,より優れた定式化を提案する。 注目すべきは、このフレームワーク内では、単純な回帰モデルは、すでに以前のアプローチよりも優れています。
• 参考スコア（独自算出の注目度）: 16.986704284824363
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Crystalline structure prediction is an essential prerequisite for designing materials with targeted properties. Yet, it is still an open challenge in materials design and drug discovery. Despite recent advances in computational materials science, accurately predicting three-dimensional non-polymeric crystal structures remains elusive. In this work, we focus on the molecular assembly problem, where a set $\mathcal{S}$ of identical rigid molecules is packed to form a crystalline structure. Such a simplified formulation provides a useful approximation to the actual problem. However, while recent state-of-the-art methods have increasingly adopted sophisticated techniques, the underlying learning objective remains ill-posed. We propose a better formulation that introduces a loss function capturing key geometric molecular properties while ensuring permutation invariance over $\mathcal{S}$. Remarkably, we demonstrate that within this framework, a simple regression model already outperforms prior approaches, including flow matching techniques, on the COD-Cluster17 benchmark, a curated non-polymeric subset of the Crystallography Open Database (COD).
• Abstract（参考訳）: 結晶構造予測は, ターゲット特性を持つ材料の設計に必須の前提条件である。 しかし、それは材料設計と薬物発見におけるオープンな課題である。 近年の計算材料科学の進歩にもかかわらず、3次元の非高分子結晶構造を正確に予測することは未解決のままである。 本研究では, 分子集合問題に着目し, 結晶構造を形成するために, 同一の固体分子のセット$$\mathcal{S}$を充填する。 このような単純化された定式化は、実際の問題に対する有用な近似を提供する。 しかし、最近の最先端の手法では高度な手法が採用されつつあるが、基礎となる学習目標が未定のままである。 我々は、$\mathcal{S}$上での置換不変性を保証しながら、鍵となる幾何学的分子特性を捉える損失関数を導入するより良い定式化を提案する。 注目すべきは、このフレームワークにおいて、単純な回帰モデルは、COD-Cluster17ベンチマーク(Crystallography Open Database (COD)のキュレートされた非ポリマーサブセット)において、フローマッチング技術を含む従来のアプローチよりも優れていることである。

関連論文リスト

• Universal Fine-Grained Symmetry Inference and Enforcement for Rigorous Crystal Structure Prediction [3.5802790319269717]
  結晶構造予測(CSP)は、結晶の3次元原子配置をその組成から予測することを目的としている。 既存のディープラーニングモデルは、しばしば、ソフトまたはスペースグループと既知の構造から取得されたウィコフテンプレートにのみ依存する結晶対称性を扱う。 対照的に,本手法は大規模言語モデルを用いて化学意味論を符号化し,Wyckoffパターンを合成から直接生成する。
  論文  参考訳（メタデータ） (2026-02-19T08:43:25Z)
• DMFlow: Disordered Materials Generation by Flow Matching [24.578652236376385]
  DMFlowは、乱れた結晶に特化して設計された生成フレームワークである。 フローマッチングモデルを使用して、すべての構造コンポーネントを共同で生成する。 SD,PD,混合構造を含むベンチマークをCrystallography Open Databaseからリリースした。
  論文  参考訳（メタデータ） (2026-02-04T16:36:58Z)
• OXtal: An All-Atom Diffusion Model for Organic Crystal Structure Prediction [63.318434943975255]
  分子内コンフォーメーションと周期的パッキングの条件付き関節分布を学習する大規模100Mパラメータ全原子拡散モデルであるOXtalを導入する。 実験的に検証された600Kの結晶構造の大規模なデータセットを活用することで、OXtalは、以前のabinitio機械学習CSPメソッドよりも改善の順序を達成できる。 オキシタルは80%以上のパッキング類似率を獲得し、分子結晶化の熱力学的および運動論的規則性の両方をモデル化する能力を示している。
  論文  参考訳（メタデータ） (2025-12-07T20:46:30Z)
• Machine Learning Workflow for Analysis of High-Dimensional Order Parameter Space: A Case Study of Polymer Crystallization from Molecular Dynamics Simulations [0.0]
  高分子中の結晶化経路の同定は分子シミュレーションに基づくデータを用いて現在行われている。 本研究では,結晶度を正確に定量化するための統合機械学習ワークフローを提案する。
  論文  参考訳（メタデータ） (2025-07-23T23:02:10Z)
• Invariant Tokenization of Crystalline Materials for Language Model Enabled Generation [82.91073155506277]
  鍵となるステップは、3次元結晶構造を1次元配列に変換して言語モデル(LM)で処理することだ。 Mat2Seqは3次元結晶構造を1次元配列に変換し、同じ結晶の異なる数学的記述が単一のユニークなシーケンスで表現されることを保証する。 実験結果から,Mate2Seqは,従来の手法と比較して,結晶構造生成において有望な性能を発揮することがわかった。
  論文  参考訳（メタデータ） (2025-02-28T20:02:53Z)
• Unleashing the power of novel conditional generative approaches for new materials discovery [3.972733741872872]
  結晶構造設計問題に対する2つの生成的アプローチを提案する。 1つは条件付き構造変化であり、最もエネルギー的に好ましい構造と全てのより安定なポリモルフィックの間のエネルギー差を利用する。 もう1つは条件付き構造の生成であり、最もエネルギー的に好ましい構造と、その全てのより安定したポリモルフィックの間のエネルギー差を利用する。
  論文  参考訳（メタデータ） (2024-11-05T14:58:31Z)
• GraphXForm: Graph transformer for computer-aided molecular design [73.1842164721868]
  既存の化合物を事前訓練したデコーダのみのグラフトランスフォーマアーキテクチャであるGraphXFormを提案する。 種々の薬物設計タスクで評価し、最先端の分子設計手法と比較して優れた客観的スコアを示す。
  論文  参考訳（メタデータ） (2024-11-03T19:45:15Z)
• Complete and Efficient Graph Transformers for Crystal Material Property Prediction [53.32754046881189]
  結晶構造は、3次元空間の正則格子に沿って繰り返される原始単位セル内の原子塩基によって特徴づけられる。 本稿では,各原子の格子に基づく表現を確立するために,単位細胞の周期パターンを利用する新しい手法を提案する。 結晶材料に特化して設計されたSE(3)トランスであるComFormerを提案する。
  論文  参考訳（メタデータ） (2024-03-18T15:06:37Z)
• Crystalformer: Infinitely Connected Attention for Periodic Structure Encoding [10.170537065646323]
  結晶構造から材料の物性を予測することは、材料科学の基本的な問題である。 結晶構造が無限に繰り返し、原子の周期的な配列であり、完全に連結された注意が無限に連結された注意をもたらすことを示す。 本稿では, 結晶構造に対する簡単なトランスフォーマーベースエンコーダアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-03-18T11:37:42Z)
• 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)
• Latent Conservative Objective Models for Data-Driven Crystal Structure Prediction [62.36797874900395]
  計算化学において、結晶構造予測は最適化問題である。 この問題に対処する1つのアプローチは、密度汎関数理論(DFT)に基づいてシミュレータを構築し、続いてシミュレーションで探索を実行することである。 我々は,LCOM(最近の保守的客観モデル)と呼ばれる我々の手法が,構造予測の成功率の観点から,最も優れたアプローチと同等に機能することを示す。
  論文  参考訳（メタデータ） (2023-10-16T04:35:44Z)
• 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)
• Geometric Transformer for End-to-End Molecule Properties Prediction [92.28929858529679]
  分子特性予測のためのトランスフォーマーに基づくアーキテクチャを導入し,分子の形状を捉える。 分子幾何学の初期符号化による古典的な位置エンコーダと、学習されたゲート自己保持機構を改変する。
  論文  参考訳（メタデータ） (2021-10-26T14:14:40Z)
• A deep learning driven pseudospectral PCE based FFT homogenization algorithm for complex microstructures [68.8204255655161]
  提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。 提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
  論文  参考訳（メタデータ） (2021-10-26T07:02:14Z)
• SPANet: Generalized Permutationless Set Assignment for Particle Physics using Symmetry Preserving Attention [62.43586180025247]
  大型ハドロン衝突型加速器の衝突は、観測された粒子の可変サイズの集合を生成する。 崩壊生成物の物理対称性は、観測された粒子の崩壊生成物の割り当てを複雑にする。 本稿では,対称性を保った注目ネットワークを構築するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:18:20Z)
• Crystal structure prediction of materials with high symmetry using differential evolution [0.5249805590164902]
  本稿では, 遺伝的アルゴリズムを用いて, 予測された構造物の接点マップと実構造物の接点マップとのマッチングを最大化するために, 接点マップに基づく結晶構造予測法を提案する。 結晶構造を高対称性で予測する際、大域最適化アルゴリズムは化学式を満たすWPの効果的な組み合わせを見つけるのが困難であることがわかった。 提案するアルゴリズムCMCrystalHSは,不整合接触地図次元の問題を効果的に解き,高対称性の結晶構造を予測できる。
  論文  参考訳（メタデータ） (2021-04-20T05:10:19Z)

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。