論文の概要: MiAD: Mirage Atom Diffusion for De Novo Crystal Generation

• arxiv url: http://arxiv.org/abs/2511.14426v1
• Date: Tue, 18 Nov 2025 12:29:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:53.105655
• Title: MiAD: Mirage Atom Diffusion for De Novo Crystal Generation
• Title（参考訳）: MiAD:デノボ結晶生成のためのミラージュ原子拡散
• Authors: Andrey Okhotin, Maksim Nakhodnov, Nikita Kazeev, Andrey E Ustyuzhanin, Dmitry Vetrov,
• Abstract要約: 結晶を構成する原子の状態を変化させる拡散モデルを実現する技術であるミラージュ注入を導入する。 この手法はモデルの品質を同じモデルと比較して最大$times2.5$向上することを示す。 MiADはMP-20データセットで8.2%のS.U.N.レートを達成した。
• 参考スコア（独自算出の注目度）: 1.7872360768760054
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, diffusion-based models have demonstrated exceptional performance in searching for simultaneously stable, unique, and novel (S.U.N.) crystalline materials. However, most of these models don't have the ability to change the number of atoms in the crystal during the generation process, which limits the variability of model sampling trajectories. In this paper, we demonstrate the severity of this restriction and introduce a simple yet powerful technique, mirage infusion, which enables diffusion models to change the state of the atoms that make up the crystal from existent to non-existent (mirage) and vice versa. We show that this technique improves model quality by up to $\times2.5$ compared to the same model without this modification. The resulting model, Mirage Atom Diffusion (MiAD), is an equivariant joint diffusion model for de novo crystal generation that is capable of altering the number of atoms during the generation process. MiAD achieves an $8.2\%$ S.U.N. rate on the MP-20 dataset, which substantially exceeds existing state-of-the-art approaches. The source code can be found at \href{https://github.com/andrey-okhotin/miad.git}{\texttt{github.com/andrey-okhotin/miad}}.
• Abstract（参考訳）: 近年、拡散に基づくモデルは、安定でユニークな、新しい(S.U.N.)結晶材料を同時に探すことで、例外的な性能を示している。 しかしながら、これらのモデルのほとんどは、生成過程中に結晶中の原子数を変更する能力を持っておらず、モデルサンプリング軌道の変動が制限されている。 本稿では, この制限の厳密さを実証し, 結晶を構成する原子の状態が非存在状態(ミラージュ)に変化し, その逆の拡散モデルを可能にする, 単純かつ強力なミレージ注入法を導入する。 この手法はモデルの品質を同じモデルと比較して最大$\times2.5$で改善することを示す。 結果として得られるミレージ原子拡散(Mireage Atom Diffusion、MiAD)は、デ・ノボ結晶生成のための同変合同拡散モデルであり、生成過程中に原子の数を変化させることができる。 MiADはMP-20データセットで8.2\%のS.U.N.レートを達成した。 ソースコードは \href{https://github.com/andrey-okhotin/miad.git}{\textt{github.com/andrey-okhotin/miad}} にある。

関連論文リスト

• WyckoffDiff -- A Generative Diffusion Model for Crystal Symmetry [10.980666029958932]
  本稿では,結晶の対称性に基づく記述を生成する生成モデルWyckoff Diffusionを提案する。 構成による対称性の尊重に加えて、我々のモデルの離散的性質は高速な生成を可能にする。 概念実証研究として、WyckoffDiff を用いて熱力学的安定性の凸殻の下にある新しい物質を探索する。
  論文  参考訳（メタデータ） (2025-02-10T14:04:23Z)
• Conditional Synthesis of 3D Molecules with Time Correction Sampler [58.0834973489875]
  Time-Aware Conditional Synthesis (TACS) は拡散モデルにおける条件生成の新しい手法である。 適応的に制御されたプラグアンドプレイの"オンライン"ガイダンスを拡散モデルに統合し、サンプルを所望の特性に向けて駆動する。
  論文  参考訳（メタデータ） (2024-11-01T12:59:25Z)
• FlowLLM: Flow Matching for Material Generation with Large Language Models as Base Distributions [16.68310253042657]
  FlowLLMは、大きな言語モデル(LLM)とリーマンフローマッチング(RFM)を組み合わせて、新しい結晶材料を設計する新しい生成モデルである。 提案手法は最先端の手法よりも優れ, 安定物質の生成速度を3倍以上に向上させ, 安定, 特異, 新規結晶の生成速度を$sim50%以上向上させる。
  論文  参考訳（メタデータ） (2024-10-30T19:15:43Z)
• Energy-Based Diffusion Language Models for Text Generation [126.23425882687195]
  エネルギーベース拡散言語モデル(Energy-based Diffusion Language Model, EDLM)は、拡散ステップごとに全シーケンスレベルで動作するエネルギーベースモデルである。 我々のフレームワークは、既存の拡散モデルよりも1.3$times$のサンプリングスピードアップを提供する。
  論文  参考訳（メタデータ） (2024-10-28T17:25:56Z)
• Grand canonical generative diffusion model for crystalline phases and grain boundaries [8.159060728081203]
  拡散モデルは、材料科学のための原子構造を生成する強力なツールとして登場した。 この研究は、原子を点雲として表す現在の粒子ベースの拡散モデルが欠如していることに注意を向けている。 粒子の固定個数ではなく連続的なボクセルに基づく別の表現を取り入れた解、グランドカノニカル拡散モデルを開発した。
  論文  参考訳（メタデータ） (2024-08-28T07:49:29Z)
• Consistency Models [89.68380014789861]
  ノイズを直接データにマッピングすることで,高品質なサンプルを生成する新しいモデル群を提案する。 設計によって高速なワンステップ生成をサポートしながら、マルチステップサンプリングによって、サンプル品質の計算を交換することができる。 イメージインペイント、カラー化、超高解像度といったゼロショットデータ編集も、明示的なトレーニングを必要とせずサポートしている。
  論文  参考訳（メタデータ） (2023-03-02T18:30:16Z)
• A Survey on Generative Diffusion Model [75.93774014861978]
  拡散モデルは、深層生成モデルの新たなクラスである。 時間を要する反復生成過程や高次元ユークリッド空間への閉じ込めなど、いくつかの制限がある。 本調査では,拡散モデルの向上を目的とした高度な手法を多数提示する。
  論文  参考訳（メタデータ） (2022-09-06T16:56:21Z)

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。