論文の概要: Interaction Topological Transformer for Multiscale Learning in Porous Materials

• arxiv url: http://arxiv.org/abs/2509.18573v1
• Date: Tue, 23 Sep 2025 02:56:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.66811
• Title: Interaction Topological Transformer for Multiscale Learning in Porous Materials
• Title（参考訳）: 多孔質材料におけるマルチスケール学習のためのインタラクショントポロジカルトランス
• Authors: Dong Chen, Jian Liu, Chun-Long Chen, Guo-Wei Wei,
• Abstract要約: 多孔質材料は大きな構造的多様性を示し、ガス貯蔵、分離、安定性に重要な応用を支えている。 我々は,複数のスケールおよび複数のレベルの材料情報をキャプチャする統合データ効率フレームワークであるInteraction Topological Transformer (ITT)を提案する。 ITTは複雑な多孔質フレームワークにおける構成構造とリレーショナル構造の両方を反映したスケールアウェアな特徴を抽出する。
• 参考スコア（独自算出の注目度）: 8.910602189834275
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Porous materials exhibit vast structural diversity and support critical applications in gas storage, separations, and catalysis. However, predictive modeling remains challenging due to the multiscale nature of structure-property relationships, where performance is governed by both local chemical environments and global pore-network topology. These complexities, combined with sparse and unevenly distributed labeled data, hinder generalization across material families. We propose the Interaction Topological Transformer (ITT), a unified data-efficient framework that leverages novel interaction topology to capture materials information across multiple scales and multiple levels, including structural, elemental, atomic, and pairwise-elemental organization. ITT extracts scale-aware features that reflect both compositional and relational structure within complex porous frameworks, and integrates them through a built-in Transformer architecture that supports joint reasoning across scales. Trained using a two-stage strategy, i.e., self-supervised pretraining on 0.6 million unlabeled structures followed by supervised fine-tuning, ITT achieves state-of-the-art, accurate, and transferable predictions for adsorption, transport, and stability properties. This framework provides a principled and scalable path for learning-guided discovery in structurally and chemically diverse porous materials.
• Abstract（参考訳）: 多孔質材料は大きな構造的多様性を示し、気体の貯蔵、分離、触媒作用において重要な応用を支えている。 しかし、局所的な化学環境とグローバルな細孔-ネットワークトポロジーの両方で性能が支配される構造-プロパティ関係のマルチスケールの性質のため、予測モデリングは依然として困難である。 これらの複雑さとスパースと不均一に分散されたラベル付きデータを組み合わせることで、物質家族間の一般化を妨げている。 本稿では、新しい相互作用トポロジを利用して、構造、要素、原子、対要素組織を含む複数レベルの材料情報をキャプチャする、統合されたデータ効率のフレームワークであるInteraction Topological Transformer(ITT)を提案する。 ITTは複雑な多孔質フレームワークにおける構成構造とリレーショナル構造の両方を反映したスケールアウェア機能を抽出し、スケールをまたいだ共同推論をサポートする内蔵のTransformerアーキテクチャを通じてそれらを統合する。 2段階の戦略、すなわち0.6百万の未ラベル構造に対する自己教師付き事前訓練と教師付き微調整で訓練されたITTは、吸着、輸送、安定性に関する最新かつ正確かつ伝達可能な予測を達成している。 この枠組みは、構造的および化学的に多様な多孔質材料における学習誘導発見のための原則的かつスケーラブルな経路を提供する。

関連論文リスト

• Loss-Complexity Landscape and Model Structure Functions [53.92822954974537]
  我々はコルモゴロフ構造関数 $h_x(alpha)$ を双対化するためのフレームワークを開発する。 情報理論構造と統計力学の数学的類似性を確立する。 構造関数と自由エネルギーの間のルジャンドル・フェンシェル双対性を明確に証明する。
  論文  参考訳（メタデータ） (2025-07-17T21:31:45Z)
• Accurate, transferable, and verifiable machine-learned interatomic potentials for layered materials [0.0]
  ツイストされた層状バンダーワールス材料は、しばしば、非ツイストの材料に欠如しているユニークな電子的および光学的特性を示す。 本稿では、層内相互作用と層間相互作用を分離する、マシン学習型原子間ポテンシャルとデータセットキュレーション手法を提案する。 本手法は,様々な層内相互作用モデルや層間相互作用モデルとシームレスに統合し,モワール材料の計算的緩和を可能にする。
  論文  参考訳（メタデータ） (2025-03-19T17:14:02Z)
• Persistent Homology for Structural Characterization in Disordered Systems [3.3033726268021315]
  障害のあるシステムにおける局所的構造と大域的構造の両方を特徴付けるために,永続的ホモロジー(PH)に基づく統一的なフレームワークを提案する。 同じアルゴリズムとデータ構造を使って、ローカルとグローバルのディスクリプタを同時に生成できる。 粒子の再配置を予測し、大域的な位相を分類するのに非常に効果的で解釈可能であることが示されている。
  論文  参考訳（メタデータ） (2024-11-21T18:24:06Z)
• 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)
• 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)
• From structure mining to unsupervised exploration of atomic octahedral networks [1.6799377888527687]
  原子中心の配位オクタヘドラは通常、無機およびハイブリッド固体材料で起こる。 我々は化学直観を運用し、オクタヘドラルネットワークの幾何学的解析、定量化、分類を自動化する。 私たちの結果は、原子八面体ネットワークの広大なデザイン空間を垣間見ることができます。
  論文  参考訳（メタデータ） (2023-06-21T13:49:35Z)
• State-specific protein-ligand complex structure prediction with a multi-scale deep generative model [68.28309982199902]
  タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。 我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
  論文  参考訳（メタデータ） (2022-09-30T01:46:38Z)

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。