論文の概要: Beyond Structure: Invariant Crystal Property Prediction with Pseudo-Particle Ray Diffraction

• arxiv url: http://arxiv.org/abs/2509.21778v1
• Date: Fri, 26 Sep 2025 02:30:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:54.128521
• Title: Beyond Structure: Invariant Crystal Property Prediction with Pseudo-Particle Ray Diffraction
• Title（参考訳）: 構造を超えて:擬粒子線回折による不変結晶特性予測
• Authors: Bin Cao, Yang Liu, Longhan Zhang, Yifan Wu, Zhixun Li, Yuyu Luo, Hong Cheng, Yang Ren, Tong-Yi Zhang,
• Abstract要約: 結晶特性予測は、従来の密度汎関数理論を用いて、大きな多体系に対して正確に解くことを計算的に禁止している。 グラフ表現の他に、独自の相互空間回折を利用するRDNetを導入する。 Materials Project、JARVIS-DFT、MatBenchで大規模な実験を行い、提案モデルが最先端の性能を達成することを実証した。
• 参考スコア（独自算出の注目度）: 23.89478649565297
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Crystal property prediction, governed by quantum mechanical principles, is computationally prohibitive to solve exactly for large many-body systems using traditional density functional theory. While machine learning models have emerged as efficient approximations for large-scale applications, their performance is strongly influenced by the choice of atomic representation. Although modern graph-based approaches have progressively incorporated more structural information, they often fail to capture long-term atomic interactions due to finite receptive fields and local encoding schemes. This limitation leads to distinct crystals being mapped to identical representations, hindering accurate property prediction. To address this, we introduce PRDNet that leverages unique reciprocal-space diffraction besides graph representations. To enhance sensitivity to elemental and environmental variations, we employ a data-driven pseudo-particle to generate a synthetic diffraction pattern. PRDNet ensures full invariance to crystallographic symmetries. Extensive experiments are conducted on Materials Project, JARVIS-DFT, and MatBench, demonstrating that the proposed model achieves state-of-the-art performance.
• Abstract（参考訳）: 量子力学原理によって支配される結晶特性予測は、従来の密度汎関数理論を用いて、大きな多体系に対して正確に解くことを計算的に禁止している。 機械学習モデルは大規模アプリケーションにおいて効率的な近似として現れてきたが、その性能は原子表現の選択に強く影響されている。 現代のグラフベースのアプローチは、より構造的な情報を徐々に取り入れてきたが、有限受容場と局所符号化スキームにより、長期的な原子間相互作用を捉えることができないことが多い。 この制限は、異なる結晶を同一の表現にマッピングし、正確な特性予測を妨げる。 これを解決するために,グラフ表現の他に,独自の相互空間回折を利用するRDNetを導入する。 元素や環境の変化に対する感度を高めるために,データ駆動型擬似粒子を用いて合成回折パターンを生成する。 PRDNetは結晶対称性に対する完全な不変性を保証する。 Materials Project、JARVIS-DFT、MatBenchで大規模な実験を行い、提案モデルが最先端の性能を達成することを実証した。

関連論文リスト

• CLOUD: A Scalable and Physics-Informed Foundation Model for Crystal Representation Learning [0.0]
  CLOUD(Crystal Language mOdel for Unified and Differentiable Materials Modeling)は,新しいSCOPE(Symmetry-Consistent SCOPE)をトレーニングしたトランスフォーマーベースのフレームワークである。 CLOUDは600万以上の結晶構造で事前訓練されており、幅広い材料特性を予測する上での競争性能を達成する。 異種材料モデリングの概念の証明として, フォノン内部エネルギーと熱容量の予測にCLOUDを適用した。
  論文  参考訳（メタデータ） (2025-06-19T15:45:24Z)
• ReGNet: Reciprocal Space-Aware Long-Range Modeling for Crystalline Property Prediction [18.68276260557569]
  本稿では、幾何学的GNNと相互ブロックを統合して、短距離および長距離の相互作用をモデル化する新しいアーキテクチャReGNetを紹介する。 JARVIS, Materials Project, MatBench の実験結果から, ReGNet は結晶特性予測タスクにおいて最先端の予測精度を達成できることを示した。
  論文  参考訳（メタデータ） (2025-02-04T22:31:39Z)
• CrysAtom: Distributed Representation of Atoms for Crystal Property Prediction [0.0]
  物質科学の文献では、結晶性物質がトポロジカルな構造を示すことはよく知られている。 本稿では,原子の密度ベクトル表現を生成するために,無相関結晶データを用いた教師なしフレームワーク,CrysAtomを提案する。
  論文  参考訳（メタデータ） (2024-09-07T06:58:55Z)
• 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)
• 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)
• DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained Diffusion [66.21290235237808]
  本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。 任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。 各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-01-23T15:18:54Z)
• FaDIn: Fast Discretized Inference for Hawkes Processes with General Parametric Kernels [82.53569355337586]
  この研究は、有限なサポートを持つ一般パラメトリックカーネルを用いた時間点プロセス推論の効率的な解を提供する。 脳磁図(MEG)により記録された脳信号からの刺激誘発パターンの発生をモデル化し,その有効性を評価する。 その結果,提案手法により,最先端技術よりもパターン遅延の推定精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2022-10-10T12:35:02Z)
• Disentangling multiple scattering with deep learning: application to strain mapping from electron diffraction patterns [48.53244254413104]
  我々は、高非線形電子回折パターンを定量的構造因子画像に変換するために、FCU-Netと呼ばれるディープニューラルネットワークを実装した。 結晶構造の異なる組み合わせを含む20,000以上のユニークな動的回折パターンを用いてFCU-Netを訓練した。 シミュレーションされた回折パターンライブラリ、FCU-Netの実装、訓練されたモデルの重み付けは、オープンソースリポジトリで自由に利用可能です。
  論文  参考訳（メタデータ） (2022-02-01T03:53:39Z)

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。