論文の概要: Rethinking Crystal Symmetry Prediction: A Decoupled Perspective

• arxiv url: http://arxiv.org/abs/2511.06976v1
• Date: Mon, 10 Nov 2025 11:27:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:45.214862
• Title: Rethinking Crystal Symmetry Prediction: A Decoupled Perspective
• Title（参考訳）: 結晶対称性予測の再考:非結合的な展望
• Authors: Liheng Yu, Zhe Zhao, Xucong Wang, Di Wu, Pengkun Wang,
• Abstract要約: XRDecouplerは、サブプロパティ混乱SPC問題に対処するために特別に設計された問題解決用兵器である。 我々は,多次元結晶対称性情報をスーパークラスガイダンスとして組み込んで,モデルの予測過程と化学直観との整合性を確保する。
• 参考スコア（独自算出の注目度）: 16.88876359580558
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Efficiently and accurately determining the symmetry is a crucial step in the structural analysis of crystalline materials. Existing methods usually mindlessly apply deep learning models while ignoring the underlying chemical rules. More importantly, experiments show that they face a serious sub-property confusion SPC problem. To address the above challenges, from a decoupled perspective, we introduce the XRDecoupler framework, a problem-solving arsenal specifically designed to tackle the SPC problem. Imitating the thinking process of chemists, we innovatively incorporate multidimensional crystal symmetry information as superclass guidance to ensure that the model's prediction process aligns with chemical intuition. We further design a hierarchical PXRD pattern learning model and a multi-objective optimization approach to achieve high-quality representation and balanced optimization. Comprehensive evaluations on three mainstream databases (e.g., CCDC, CoREMOF, and InorganicData) demonstrate that XRDecoupler excels in performance, interpretability, and generalization.
• Abstract（参考訳）: 対称性を効果的かつ正確に決定することは、結晶材料の構造解析における重要なステップである。 既存の手法は通常、基礎となる化学規則を無視しながら、ディープラーニングモデルを意識せずに適用する。 さらに重要なことは、それらが深刻なサブプロパティ混乱SPC問題に直面していることを示している。 上記の課題に対処するために、分離された観点から、SPC問題に対処するために特別に設計された問題解決用兵器であるXRDecouplerフレームワークを導入する。 化学者の思考過程を省略し,多次元結晶対称性情報をスーパークラスガイダンスとして革新的に組み込んで,モデルの予測過程が化学直観と一致することを保証する。 さらに、階層型PXRDパターン学習モデルと多目的最適化アプローチを設計し、高品質な表現とバランスの取れた最適化を実現する。 3つの主流データベース(例えば、CCDC、CoREMOF、InorganicData)における総合的な評価は、XRDecouplerが性能、解釈可能性、一般化において優れていることを示している。

関連論文リスト

• Reinforcement Learning Using known Invariances [54.91261509214309]
  本稿では、既知のグループ対称性をカーネルベースの強化学習に組み込むための理論的枠組みを開発する。 対称性を意識したRLは、標準のカーネルよりも大幅に性能が向上することを示す。
  論文  参考訳（メタデータ） (2025-11-05T13:56:14Z)
• Foundation Models for Discovery and Exploration in Chemical Space [57.97784111110166]
  MISTは、大規模なラベルなしデータセットに基づいて訓練された分子基盤モデルのファミリーである。 我々は、これらのモデルが化学空間をまたいだ現実世界の問題を解決する能力を実証する。
  論文  参考訳（メタデータ） (2025-10-20T17:56:01Z)
• Automated Optimization Modeling through Expert-Guided Large Language Model Reasoning [43.63419208391747]
  本稿では,最適化プロセスを自動化するチェーン・オブ・シント推論を通じて,専門家レベルの最適化モデリングの原則を活用する新しいフレームワークを提案する。 また、ロジスティクス領域からの新しい最適化モデリングベンチマークであるLogiORを導入し、標準化されたアノテーションに関するより複雑な問題を含む。
  論文  参考訳（メタデータ） (2025-08-20T04:14:54Z)
• Synthetic POMDPs to Challenge Memory-Augmented RL: Memory Demand Structure Modeling [6.429850804144503]
  近年、メモリ拡張強化学習(RL)アルゴリズムのベンチマークが開発されている。 エージェントが過去の観察に依存して意思決定を行うPOMDP環境。 本研究は,POMDPの解決におけるメモリ拡張RLの課題を明らかにし,POMDP環境の分析と設計のためのガイドラインを提供し,RLタスクにおけるメモリモデル選択のための実証的サポートを提供する。
  論文  参考訳（メタデータ） (2025-08-06T10:13:17Z)
• OmniXAS: A Universal Deep-Learning Framework for Materials X-ray Absorption Spectra [0.6291443816903801]
  X線吸収分光法(XAS)は、吸収する原子の局所的な化学的環境を調べるための強力な特徴付け技術である。 我々は、XAS予測のための一連の伝達学習アプローチを含むフレームワークを提案し、それぞれが精度と効率の向上に寄与する。 提案手法は,XASモデリングのスループットを第1原理シミュレーションに比べて桁違いに向上させ,より広い範囲の要素に対するXAS予測に拡張可能である。
  論文  参考訳（メタデータ） (2024-09-29T04:41:10Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)
• Stein Variational Model Predictive Control [130.60527864489168]
  不確実性の下での意思決定は、現実の自律システムにとって極めて重要である。 モデル予測制御 (MPC) 法は, 複雑な分布を扱う場合, 適用範囲が限られている。 この枠組みが、挑戦的で非最適な制御問題における計画の成功に繋がることを示す。
  論文  参考訳（メタデータ） (2020-11-15T22:36:59Z)

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。