論文の概要: Physics-informed diffusion models for extrapolating crystal structures beyond known motifs

• arxiv url: http://arxiv.org/abs/2510.23181v1
• Date: Mon, 27 Oct 2025 10:21:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 17:41:22.013782
• Title: Physics-informed diffusion models for extrapolating crystal structures beyond known motifs
• Title（参考訳）: 物理インフォームド拡散モデルによる既知のモチーフを超えて結晶構造を外挿する
• Authors: Andrij Vasylenko, Federico Ottomano, Christopher M. Collins, Rahul Savani, Matthew S. Dyer, Matthew J. Rosseinsky,
• Abstract要約: 物理インフォームド拡散法を開発した。 これらのメトリクスを条件付けすることで、アーキテクチャ全体の生成性能が向上します。 その結果, 生成モデルは結晶構造予測の代用ではないが, 化学的に情報を得た多様性誘導出力によりCSP効率が向上することが示唆された。
• 参考スコア（独自算出の注目度）: 2.154846250399764
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Discovering materials with previously unreported crystal frameworks is key to achieving transformative functionality. Generative artificial intelligence offers a scalable means to propose candidate crystal structures, however existing approaches mainly reproduce decorated variants of established motifs rather than uncover new configurations. Here we develop a physics-informed diffusion method, supported by chemically grounded validation protocol, which embeds descriptors of compactness and local environment diversity to balance physical plausibility with structural novelty. Conditioning on these metrics improves generative performance across architectures, increasing the fraction of structures outside 100 most common prototypes up to 67%. When crystal structure prediction (CSP) is seeded with generative structures, most candidates (97%) are reconstructed by CSP, yielding 145 (66%) low-energy frameworks not matching any known prototypes. These results show that while generative models are not substitutes for CSP, their chemically informed, diversity-guided outputs can enhance CSP efficiency, establishing a practical generative-CSP synergy for discovery-oriented exploration of chemical space.
• Abstract（参考訳）: 以前に報告されていない結晶フレームワークによる材料発見は、変換機能を実現するための鍵となる。 生成的人工知能は、候補となる結晶構造を提案するスケーラブルな手段を提供するが、既存のアプローチは主に、新しい構成を明らかにするのではなく、確立されたモチーフの装飾された変種を再現している。 ここでは, 物理インフォームド拡散法を開発し, 化学接地検証プロトコルによって支持され, 局所環境の多様性とコンパクト性の記述子を組み込んで, 物理的妥当性と構造的新奇性のバランスをとる。 これらの測定値の条件付けにより、アーキテクチャ全体の生成性能が向上し、最も一般的な100のプロトタイプ以外の構造の割合が67%まで増加する。 結晶構造予測(CSP)が生成構造でシードされる場合、ほとんどの候補(97%)はCSPによって再構成され、既知のプロトタイプと一致しない145(66%)の低エネルギーのフレームワークが生成される。 これらの結果から, 生成モデルはCSPの代わりにはならないが, 化学情報による多様性誘導出力によりCSP効率が向上し, 発見指向の化学空間探索のための実用的な生成-CSP相乗効果が確立できることが示唆された。

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)
• Transformer-Enhanced Variational Autoencoder for Crystal Structure Prediction [16.846289696048647]
  結晶構造予測のための変圧器強化変分オートエンコーダ(TransVAE-CSP)を提案する。 TransVAE-CSPは安定物質の特性分布空間を学習し、結晶構造の再構築と生成を可能にする。 CO_24, perov_5, mp_20データセットの実験結果から, TransVAE-CSPは構造再構成および生成タスクにおいて, 既存の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-02-13T15:45:36Z)
• 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)
• deCIFer: Crystal Structure Prediction from Powder Diffraction Data using Autoregressive Language Models [1.231476564107544]
  粉末回折データから結晶構造予測(CSP)を行う自己回帰言語モデルを提案する。 提示されたモデルであるdeCIFerは、広く使われているCrystallographic Information File (CIF)フォーマットで結晶構造を生成する。 ほぼ2.3Mの結晶構造でdeCIFerを訓練し、難易度の高い無機結晶系を特徴付けるために多種多様なPXRDパターンの検証を行う。
  論文  参考訳（メタデータ） (2025-02-04T10:09:47Z)
• 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)
• 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)
• Accurate Crystal Structure Prediction of New 2D Hybrid Organic Inorganic Perovskites [0.0]
  低次元有機-無機ペロブスカイト(HOIP)は、光吸収と発光の両面において、電子的に活性な材料として期待できるクラスである。 我々は,新しい2次元HOIPの構造を予測するための,正確で,効率的で,伝達可能で,広く適用可能な機械学習の原子間ポテンシャル(MLIP)を提案する。
  論文  参考訳（メタデータ） (2024-03-11T17:39:08Z)
• 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)
• 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)
• Crystal-GFN: sampling crystals with desirable properties and constraints [103.79058968784163]
  本稿では,結晶構造の生成モデルであるCrystal-GFNを紹介する。 本稿では,MatBenchで学習した新しいプロキシ機械学習モデルにより予測された結晶構造の原子1個あたりの生成エネルギーを目的として利用する。 その結果、Crystal-GFNは低(中間-3.1 eV/原子)で生成エネルギーが予測される非常に多様な結晶をサンプリングできることが示された。
  論文  参考訳（メタデータ） (2023-10-07T21:36:55Z)

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。