論文の概要: Guided Diffusion for the Discovery of New Superconductors

• arxiv url: http://arxiv.org/abs/2509.25186v1
• Date: Mon, 29 Sep 2025 17:59:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 14:44:59.901917
• Title: Guided Diffusion for the Discovery of New Superconductors
• Title（参考訳）: 新しい超伝導体の発見のための誘導拡散
• Authors: Pawan Prakash, Jason B. Gibson, Zhongwei Li, Gabriele Di Gianluca, Juan Esquivel, Eric Fuemmeler, Benjamin Geisler, Jung Soo Kim, Adrian Roitberg, Ellad B. Tadmor, Mingjie Liu, Stefano Martiniani, Gregory R. Stewart, James J. Hamlin, Peter J. Hirschfeld, Richard G. Hennig,
• Abstract要約: 高温超伝導など、特定の望ましい特性を持つ材料の逆設計は、材料科学における重大な課題である。 本稿では,新しい超伝導体の発見を促進するための誘導拡散フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 4.592996089024724
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The inverse design of materials with specific desired properties, such as high-temperature superconductivity, represents a formidable challenge in materials science due to the vastness of chemical and structural space. We present a guided diffusion framework to accelerate the discovery of novel superconductors. A DiffCSP foundation model is pretrained on the Alexandria Database and fine-tuned on 7,183 superconductors with first principles derived labels. Employing classifier-free guidance, we sample 200,000 structures, which lead to 34,027 unique candidates. A multistage screening process that combines machine learning and density functional theory (DFT) calculations to assess stability and electronic properties, identifies 773 candidates with DFT-calculated $T_\mathrm{c}>5$ K. Notably, our generative model demonstrates effective property-driven design. Our computational findings were validated against experimental synthesis and characterization performed as part of this work, which highlighted challenges in sparsely charted chemistries. This end-to-end workflow accelerates superconductor discovery while underscoring the challenge of predicting and synthesizing experimentally realizable materials.
• Abstract（参考訳）: 高温超伝導など特定の望ましい特性を持つ材料の逆設計は、化学と構造空間の広大なため、材料科学における重大な課題である。 本稿では,新しい超伝導体の発見を促進するための誘導拡散フレームワークを提案する。 DiffCSP基礎モデルはアレクサンドリア・データベースで事前訓練され、7,183個の超伝導体に第1原理を導出したラベルで微調整される。 分類器なしのガイダンスを用いて、20万の構造物をサンプリングし、34,027のユニークな候補を得た。 機械学習と密度汎関数理論(DFT)を併用して,安定性と電子特性を評価する多段階スクリーニング手法により,DFTで計算した$T_\mathrm{c}>5$Kの候補773を同定する。 本研究の一環として, 実験による合成と特性評価から, 微少なチャート化化学の課題を浮き彫りにした。 このエンド・ツー・エンドのワークフローは超伝導体の発見を加速させ、実験的に実現可能な物質の予測と合成の難しさを浮き彫りにしている。

関連論文リスト

• CrystalDiT: A Diffusion Transformer for Crystal Generation [52.45780803467369]
  本稿では,結晶構造生成のための拡散変圧器であるCrystalDiTについて述べる。 CrystalDiTは、格子と原子特性を単一の相互依存系として扱う、強力な誘導バイアスを課す統一トランスフォーマーを使用している。
  論文  参考訳（メタデータ） (2025-08-13T12:53:32Z)
• InvDesFlow: An AI-driven materials inverse design workflow to explore possible high-temperature superconductors [9.926621857444765]
  InvDesFlowは、深層モデルの事前トレーニングと微調整技術、拡散モデル、物理ベースのアプローチを統合するAI検索エンジンである。 非常に小さなサンプルセットに基づいて,AIモデルにより予測される臨界温度がT_c geq$15Kと予測された74個の動的安定材料を得た。
  論文  参考訳（メタデータ） (2024-09-12T14:16:56Z)
• SIP: Injecting a Structural Inductive Bias into a Seq2Seq Model by Simulation [75.14793516745374]
  本稿では, 構造的帰納バイアスをセック2セックモデルに効率よく注入し, 合成データの構造的変換をシミュレートする方法について述べる。 実験の結果,本手法は所望の帰納バイアスを付与し,FSTのようなタスクに対してより優れた数発学習を実現することがわかった。
  論文  参考訳（メタデータ） (2023-10-01T21:19:12Z)
• Investigation on Machine Learning Based Approaches for Estimating the Critical Temperature of Superconductors [4.271684331748043]
  本稿では,超伝導材料の複雑な特性を学習するために,積層機械学習手法を用いる。 他のアクセス可能な研究と比較すると、このモデルはRMSE 9.68とR2スコア0.922で有望な性能を示した。
  論文  参考訳（メタデータ） (2023-08-02T17:11:50Z)
• Machine-Learning Prediction of the Computed Band Gaps of Double Perovskite Materials [3.2798940914359056]
  機能性材料の電子構造の予測は新しい装置の工学に不可欠である。 本研究では,2重ペロブスカイト材料の電子構造を機械学習で予測する。 この結果は,期待できる機能材料を迅速にスクリーニングするために,機械学習による回帰の可能性を実証するという意味で重要である。
  論文  参考訳（メタデータ） (2023-01-04T08:19:18Z)
• TOF-SIMS Analysis of Decoherence Sources in Nb Superconducting Resonators [48.7576911714538]
  超伝導量子ビットは、潜在的に基盤となるプラットフォーム技術として出現している。 材料品質と界面構造は、デバイスの性能を抑え続けている。 薄膜および隣接領域の2レベル系欠陥はノイズを導入し、電磁エネルギーを散逸させる。
  論文  参考訳（メタデータ） (2021-08-30T22:22:47Z)
• BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
  機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。 ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
  論文  参考訳（メタデータ） (2021-06-08T10:14:57Z)

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。