論文の概要: XDXD: End-to-end crystal structure determination with low resolution X-ray diffraction

• arxiv url: http://arxiv.org/abs/2510.17936v1
• Date: Mon, 20 Oct 2025 15:50:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:12.42153
• Title: XDXD: End-to-end crystal structure determination with low resolution X-ray diffraction
• Title（参考訳）: XDXD:低分解能X線回折によるエンドツーエンド結晶構造決定
• Authors: Jiale Zhao, Cong Liu, Yuxuan Zhang, Chengyue Gong, Zhenyi Zhang, Shifeng Jin, Zhenyu Liu,
• Abstract要約: 我々は,低解像度単結晶X線回折データから直接完全な原子モデルを決定するための,最初のエンドツーエンドディープラーニングフレームワークであるXDXDを紹介する。 我々のモデルは、2.0AA解像度に制限されたデータを持つ構造に対して70.4%の一致率を達成し、根平均二乗誤差(RMSE)は0.05未満である。
• 参考スコア（独自算出の注目度）: 22.50406008374185
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Determining crystal structures from X-ray diffraction data is fundamental across diverse scientific fields, yet remains a significant challenge when data is limited to low resolution. While recent deep learning models have made breakthroughs in solving the crystallographic phase problem, the resulting low-resolution electron density maps are often ambiguous and difficult to interpret. To overcome this critical bottleneck, we introduce XDXD, to our knowledge, the first end-to-end deep learning framework to determine a complete atomic model directly from low-resolution single-crystal X-ray diffraction data. Our diffusion-based generative model bypasses the need for manual map interpretation, producing chemically plausible crystal structures conditioned on the diffraction pattern. We demonstrate that XDXD achieves a 70.4\% match rate for structures with data limited to 2.0~\AA{} resolution, with a root-mean-square error (RMSE) below 0.05. Evaluated on a benchmark of 24,000 experimental structures, our model proves to be robust and accurate. Furthermore, a case study on small peptides highlights the model's potential for extension to more complex systems, paving the way for automated structure solution in previously intractable cases.
• Abstract（参考訳）: X線回折データから結晶構造を決定することは、様々な科学分野に根ざしているが、データが低解像度に制限されている場合、依然として重要な課題である。 近年の深層学習モデルでは結晶相問題の解法が進歩しているが、結果として生じる低分解能電子密度マップは曖昧で解釈が難しいことが多い。 この重要なボトルネックを克服するため、我々はXDXDを導入し、低解像度の単結晶X線回折データから直接完全な原子モデルを決定する最初のエンドツーエンドのディープラーニングフレームワークについて紹介する。 我々の拡散に基づく生成モデルは、手動地図解釈の必要性を回避し、回折パターンを条件とした化学的に可塑性な結晶構造を生成する。 我々は XDXD が 0.05 未満のルート平均二乗誤差 (RMSE) を持つ 2.0~\AA{} に制限されたデータ構造に対して 70.4 % の一致率を達成することを示した。 実験構造を24,000のベンチマークで評価した結果,ロバストで精度の高いモデルが得られた。 さらに、小さなペプチドのケーススタディでは、より複雑なシステムへの拡張の可能性を強調し、以前に難解なケースでは自動構造解の道を開く。

関連論文リスト

• Spectra-to-Structure and Structure-to-Spectra Inference Across the Periodic Table [49.65586812435899]
  XAStructは、結晶構造からXASスペクトルを予測し、XAS入力から局所構造記述子を推測できる学習ベースのシステムである。 XAStructは、周期表全体にわたって70以上の要素にまたがる大規模なデータセットでトレーニングされている。
  論文  参考訳（メタデータ） (2025-06-13T15:58:05Z)
• CrystalX: Ultra-Precision Crystal Structure Resolution and Error Correction Using Deep Learning [44.02107704258412]
  本研究では,全原子レベルでの超精密構造解析モデルであるCrystalXを開発した。 このモデルを検証するために,5万回以上のX線回折測定を行った。 このディープラーニングモデルは、結晶構造解析の時間枠に革命をもたらし、それを数秒に短縮する。
  論文  参考訳（メタデータ） (2024-10-17T16:12:55Z)
• Ab Initio Structure Solutions from Nanocrystalline Powder Diffraction Data [4.463003012243322]
  材料科学における大きな課題は、ナノメートルサイズの物体の構造を決定することである。 本稿では,45,229の既知構造に基づく拡散過程に基づく生成機械学習モデルを用いた新しい手法を提案する。 我々のモデルであるPXRDnetは、対称性と複雑さの異なる200の材料にまたがる10アングストロームのシミュレーションナノ結晶を解くことに成功した。
  論文  参考訳（メタデータ） (2024-06-16T03:45:03Z)
• End-to-End Crystal Structure Prediction from Powder X-Ray Diffraction [37.563382606039006]
  本研究では,PXRDを用いた結晶構造予測モデルであるXtalNetを紹介する。 XtalNetはPXRDを付加条件として利用し、曖昧さを排除し、単位細胞に最大400個の原子を持つ複雑な有機構造を生成する。 XtalNetは、条件付き結晶構造予測タスクにおいて、hMOF-100とhMOF-400において、90.2%と79%のトップ10マッチングレートを達成する。
  論文  参考訳（メタデータ） (2024-01-08T12:50:17Z)
• 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)
• Tracking perovskite crystallization via deep learning-based feature detection on 2D X-ray scattering data [137.47124933818066]
  本稿では,より高速なR-CNN深層学習アーキテクチャに基づくX線回折画像の自動解析パイプラインを提案する。 有機-無機ペロブスカイト構造の結晶化をリアルタイムに追跡し, 2つの応用で検証した。
  論文  参考訳（メタデータ） (2022-02-22T15:39:00Z)
• 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。