論文の概要: Guiding Generative Models to Uncover Diverse and Novel Crystals via Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2511.07158v1
• Date: Mon, 10 Nov 2025 14:48:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:45.306358
• Title: Guiding Generative Models to Uncover Diverse and Novel Crystals via Reinforcement Learning
• Title（参考訳）: 強化学習による多変量および新しい結晶の発見のための生成モデルの指導
• Authors: Hyunsoo Park, Aron Walsh,
• Abstract要約: 本稿では,多種多様だが熱力学的に実現可能な結晶性化合物への潜伏拡散モデルを導出する強化学習フレームワークを提案する。 我々のアプローチは、グループの相対的政策最適化と検証可能な多目的報酬を統合し、創造性、安定性、多様性を共同でバランスさせる。 このアプローチは、制御可能なAI駆動の逆設計のためのモジュラー基盤を確立する。
• 参考スコア（独自算出の注目度）: 13.437119411600499
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Discovering functional crystalline materials entails navigating an immense combinatorial design space. While recent advances in generative artificial intelligence have enabled the sampling of chemically plausible compositions and structures, a fundamental challenge remains: the objective misalignment between likelihood-based sampling in generative modelling and targeted focus on underexplored regions where novel compounds reside. Here, we introduce a reinforcement learning framework that guides latent denoising diffusion models toward diverse and novel, yet thermodynamically viable crystalline compounds. Our approach integrates group relative policy optimisation with verifiable, multi-objective rewards that jointly balance creativity, stability, and diversity. Beyond de novo generation, we demonstrate enhanced property-guided design that preserves chemical validity, while targeting desired functional properties. This approach establishes a modular foundation for controllable AI-driven inverse design that addresses the novelty-validity trade-off across scientific discovery applications of generative models.
• Abstract（参考訳）: 機能性結晶材料を発見するには、膨大な組合せ設計空間をナビゲートする必要がある。 生成的人工知能の最近の進歩により、化学的に可塑性な組成や構造を抽出できるようになったが、基本的な課題は、生成的モデリングにおける可能性に基づくサンプリングと、新規化合物が存在する未探索領域に焦点を絞った客観的なミスアライメントである。 本稿では,多種多様かつ新奇だが熱力学的に実現可能な結晶性化合物への潜伏型拡散モデルの導出を行う強化学習フレームワークを提案する。 我々のアプローチは、グループの相対的政策最適化と検証可能な多目的報酬を統合し、創造性、安定性、多様性を共同でバランスさせる。 デ・ノボ生成の他に、目的とする機能特性を目標とし、化学的妥当性を保った改良された特性誘導設計を示す。 このアプローチは、制御可能なAI駆動の逆設計のためのモジュラー基盤を確立する。

関連論文リスト

• MatLLMSearch: Crystal Structure Discovery with Evolution-Guided Large Language Models [27.083255538087215]
  事前学習されたLarge Language Models (LLMs) は, 微調整を伴わずに, 本質的に新規で安定した結晶構造を生成可能であることを示す。 我々のフレームワークは、進化的パイプライン内でLSMをインテリジェントな提案エージェントとして使用し、暗黙のクロスオーバーと突然変異操作を実行するように誘導する。 MatLLMSearchは、機械学習の原子間ポテンシャルによって78.38%の準安定率と31.7%のDFT認証安定性を達成している。
  論文  参考訳（メタデータ） (2025-02-28T10:41:16Z)
• Active Learning for Conditional Inverse Design with Crystal Generation and Foundation Atomic Models [2.8408587358426725]
  本稿では, 結晶生成モデルと基本原子モデルを組み合わせて, 逆設計の精度と効率を高めるための能動的学習フレームワークを提案する。 我々のフレームワークは、様々な結晶生成と基盤原子モデルに対応し、AI駆動材料発見のためのスケーラブルなアプローチを確立している。
  論文  参考訳（メタデータ） (2025-02-24T09:15:38Z)
• Establishing baselines for generative discovery of inorganic crystals [0.0]
  生成的人工知能は、材料発見のための有望な道を提供するが、従来の方法に対するその優位性はいまだ不明である。 本研究では、電荷バランスのプロトタイプのランダム列挙と既知の化合物のデータ駆動イオン交換という、2つのベースラインアプローチを導入し、ベンチマークする。 以上の結果から, イオン交換などの確立された手法は, 安定な新規物質を生成できるが, それらの多くはよく知られている化合物とよく似ている。
  論文  参考訳（メタデータ） (2025-01-04T00:14:59Z)
• DecompOpt: Controllable and Decomposed Diffusion Models for Structure-based Molecular Optimization [49.85944390503957]
  DecompOptは、制御可能・拡散モデルに基づく構造に基づく分子最適化手法である。 DecompOptは強いde novoベースラインよりも優れた特性を持つ分子を効率よく生成できることを示す。
  論文  参考訳（メタデータ） (2024-03-07T02:53:40Z)
• 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)
• Retrieval-based Controllable Molecule Generation [63.44583084888342]
  制御可能な分子生成のための検索に基づく新しいフレームワークを提案する。 我々は、与えられた設計基準を満たす分子の合成に向けて、事前学習された生成モデルを操るために、分子の小さなセットを使用します。 提案手法は生成モデルの選択に非依存であり,タスク固有の微調整は不要である。
  論文  参考訳（メタデータ） (2022-08-23T17:01:16Z)
• Latent Diffusion Energy-Based Model for Interpretable Text Modeling [104.85356157724372]
  本稿では,拡散モデルと潜時空間ESMの共生を変動学習フレームワークで導入する。 我々は,学習した潜在空間の品質を向上させるために,情報ボトルネックと合わせて幾何学的クラスタリングに基づく正規化を開発する。
  論文  参考訳（メタデータ） (2022-06-13T03:41:31Z)
• Learning Neural Generative Dynamics for Molecular Conformation Generation [89.03173504444415]
  分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。 分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-02-20T03:17:58Z)

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。