論文の概要: LLM Meets Diffusion: A Hybrid Framework for Crystal Material Generation

• arxiv url: http://arxiv.org/abs/2510.23040v1
• Date: Mon, 27 Oct 2025 06:08:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:15.469774
• Title: LLM Meets Diffusion: A Hybrid Framework for Crystal Material Generation
• Title（参考訳）: LLMが結晶生成のためのハイブリッドフレームワークDiffusionを発表
• Authors: Subhojyoti Khastagir, Kishalay Das, Pawan Goyal, Seung-Cheol Lee, Satadeep Bhattacharjee, Niloy Ganguly,
• Abstract要約: CrysLLMGenは、LLMと拡散モデルを統合するハイブリッドフレームワークであり、結晶生成にそれらの相補的な強度を利用する。 我々のフレームワークは、いくつかのベンチマークタスクやデータセットで最先端の生成モデルより優れています。
• 参考スコア（独自算出の注目度）: 25.009649087291432
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in generative modeling have shown significant promise in designing novel periodic crystal structures. Existing approaches typically rely on either large language models (LLMs) or equivariant denoising models, each with complementary strengths: LLMs excel at handling discrete atomic types but often struggle with continuous features such as atomic positions and lattice parameters, while denoising models are effective at modeling continuous variables but encounter difficulties in generating accurate atomic compositions. To bridge this gap, we propose CrysLLMGen, a hybrid framework that integrates an LLM with a diffusion model to leverage their complementary strengths for crystal material generation. During sampling, CrysLLMGen first employs a fine-tuned LLM to produce an intermediate representation of atom types, atomic coordinates, and lattice structure. While retaining the predicted atom types, it passes the atomic coordinates and lattice structure to a pre-trained equivariant diffusion model for refinement. Our framework outperforms state-of-the-art generative models across several benchmark tasks and datasets. Specifically, CrysLLMGen not only achieves a balanced performance in terms of structural and compositional validity but also generates more stable and novel materials compared to LLM-based and denoisingbased models Furthermore, CrysLLMGen exhibits strong conditional generation capabilities, effectively producing materials that satisfy user-defined constraints. Code is available at https://github.com/kdmsit/crysllmgen
• Abstract（参考訳）: 生成モデリングの最近の進歩は、新しい周期性結晶構造を設計する上で大きな可能性を示している。 既存のアプローチは通常、大きな言語モデル(LLM)または同変のデノナイジングモデル(英語版)のいずれかに依存しており、それぞれに相補的な強みがある: LLMは離散的な原子型を扱うのに優れているが、しばしば原子位置や格子パラメータのような連続的な特徴に悩まされる一方、デノナイジングモデルは連続変数をモデル化するのに効果的であるが、正確な原子組成を生成するのに困難である。 このギャップを埋めるために,LLMと拡散モデルを統合するハイブリッドフレームワークであるCrysLLMGenを提案する。 サンプリング中、CrysLLMGenはまず微調整LDMを使用して、原子タイプ、原子座標、格子構造の中間表現を生成する。 予測された原子型を保持しながら、原子座標と格子構造を改良のための事前訓練された同変拡散モデルに渡す。 我々のフレームワークは、いくつかのベンチマークタスクやデータセットで最先端の生成モデルより優れています。 具体的には、CrysLLMGenは、構造的および構成的妥当性の観点からバランスの取れた性能を達成するだけでなく、LCMベースのモデルやデノナイジングベースのモデルよりも安定で新規な材料を生成する。 コードはhttps://github.com/kdmsit/crysllmgenで入手できる。

関連論文リスト

• Composition and Alignment of Diffusion Models using Constrained Learning [79.36736636241564]
  拡散モデルは、複雑な分布からサンプルを採取する能力により、生成的モデリングにおいて普及している。 i) 拡散モデルを微調整して報酬と整合させるアライメントと、(ii) 予め訓練された拡散モデルを組み合わせて、それぞれが生成した出力に望ましい属性を強調する合成である。 本稿では,共役モデルが報酬制約を満たすこと,あるいは(潜在的に複数の)事前学習モデルに近づき続けることを強制することによって,拡散モデルのアライメントと構成を統一する制約付き最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-26T15:06:30Z)
• UniGenX: a unified generative foundation model that couples sequence, structure and function to accelerate scientific design across proteins, molecules and materials [62.72989417755985]
  自然系における関数の統一生成モデルUniGenXを提案する。 UniGenXはシンボルトークンと数値トークンの混合ストリームとして異種入力を表す。 ドメイン間のファンクション・アウェア・ジェネレーションに対して、最先端または競合的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-03-09T16:43:07Z)
• Open Materials Generation with Stochastic Interpolants [14.939468363546384]
  Open Materials Generation (OMatG) は、結晶材料の生成設計と発見のための統一的なフレームワークである。 OMatGは無機補間剤を用いて任意の塩基分布を無機結晶の標的分布にブリッジする。 我々はOMatGの性能を結晶構造予測と'de novo'生成の2つのタスクでベンチマークする。
  論文  参考訳（メタデータ） (2025-02-04T18:56:47Z)
• Fine-Tuned Language Models Generate Stable Inorganic Materials as Text [53.81190146434045]
  テキストエンコードされた原子構造データに基づく微調整された大規模言語モデルは、実装が簡単で信頼性が高い。 我々の最強モデルは、CDVAEの約2倍の速度で準安定であると予測された物質を生成することができる。 テキストプロンプト固有の柔軟性のため、我々のモデルは安定物質を無条件に生成するために同時に使用することができる。
  論文  参考訳（メタデータ） (2024-02-06T20:35:28Z)
• 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)
• 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)

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。