論文の概要: PRISM: Periodic Representation with multIscale and Similarity graph Modelling for enhanced crystal structure property prediction

• arxiv url: http://arxiv.org/abs/2511.20362v1
• Date: Tue, 25 Nov 2025 14:43:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-26 17:37:04.513125
• Title: PRISM: Periodic Representation with multIscale and Similarity graph Modelling for enhanced crystal structure property prediction
• Title（参考訳）: PRISM:結晶構造特性予測のためのマルチスケール・類似グラフモデリングによる周期表現
• Authors: Àlex Solé, Albert Mosella-Montoro, Joan Cardona, Daniel Aravena, Silvia Gómez-Coca, Eliseo Ruiz, Javier Ruiz-Hidalgo,
• Abstract要約: PRISMは、マルチスケール表現と周期的特徴符号化を統合するグラフニューラルネットワークフレームワークである。 結晶構造に基づくベンチマークによる実験は、PRISMが最先端の予測精度を改善することを示した。
• 参考スコア（独自算出の注目度）: 3.039926847552439
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Crystal structures are characterised by repeating atomic patterns within unit cells across three-dimensional space, posing unique challenges for graph-based representation learning. Current methods often overlook essential periodic boundary conditions and multiscale interactions inherent to crystalline structures. In this paper, we introduce PRISM, a graph neural network framework that explicitly integrates multiscale representations and periodic feature encoding by employing a set of expert modules, each specialised in encoding distinct structural and chemical aspects of periodic systems. Extensive experiments across crystal structure-based benchmarks demonstrate that PRISM improves state-of-the-art predictive accuracy, significantly enhancing crystal property prediction.
• Abstract（参考訳）: 結晶構造は、三次元空間にまたがる単位セル内の原子パターンを繰り返すことで特徴づけられる。 現在の手法は、しばしば結晶構造に固有の重要な周期的境界条件やマルチスケール相互作用を見落としている。 本稿では,多スケール表現と周期的特徴符号化を明確に統合したグラフニューラルネットワークフレームワークであるPRISMを紹介する。 結晶構造に基づくベンチマークによる大規模な実験により、PRISMは最先端の予測精度を改善し、結晶特性の予測を大幅に向上させることが示された。

関連論文リスト

• Spectra-to-Structure and Structure-to-Spectra Inference Across the Periodic Table [49.65586812435899]
  XAStructは、結晶構造からXASスペクトルを予測し、XAS入力から局所構造記述子を推測できる学習ベースのシステムである。 XAStructは、周期表全体にわたって70以上の要素にまたがる大規模なデータセットでトレーニングされている。
  論文  参考訳（メタデータ） (2025-06-13T15:58:05Z)
• CrystalFramer: Rethinking the Role of Frames for SE(3)-Invariant Crystal Structure Modeling [9.639557145497369]
  物質情報学における様々な応用にグラフニューラルネットワークを用いた結晶構造モデリングが不可欠である。 本研究では,各原子に局所環境の動的ビューを提供する動的フレームの概念を提案する。 近年の変圧器を用いた結晶エンコーダにおけるアテンション機構を応用して,この概念を実証する。
  論文  参考訳（メタデータ） (2025-03-04T02:40:49Z)
• ReciNet: Reciprocal Space-Aware Long-Range Modeling for Crystalline Property Prediction [28.923772205970497]
  ReciNetは、幾何学的GNNと相互ブロックを統合して、短距離と長距離の相互作用をモデル化する新しいアーキテクチャである。 本稿では,ReciNetが結晶特性予測タスクの範囲で最先端の予測精度を実現することを示す。
  論文  参考訳（メタデータ） (2025-02-04T22:31:39Z)
• Generative Hierarchical Materials Search [91.93125016916463]
  結晶構造の制御可能な生成のための生成階層材料探索(GenMS)を提案する。 GenMSは(1)高レベル自然言語を入力とし、結晶に関する中間テキスト情報を生成する言語モデルからなる。 GenMSはまた、生成された結晶構造から特性(たとえば生成エネルギー)を予測するためにグラフニューラルネットワークを使用する。
  論文  参考訳（メタデータ） (2024-09-10T17:51:28Z)
• CrysAtom: Distributed Representation of Atoms for Crystal Property Prediction [0.0]
  物質科学の文献では、結晶性物質がトポロジカルな構造を示すことはよく知られている。 本稿では,原子の密度ベクトル表現を生成するために,無相関結晶データを用いた教師なしフレームワーク,CrysAtomを提案する。
  論文  参考訳（メタデータ） (2024-09-07T06:58:55Z)
• Complete and Efficient Graph Transformers for Crystal Material Property Prediction [53.32754046881189]
  結晶構造は、3次元空間の正則格子に沿って繰り返される原始単位セル内の原子塩基によって特徴づけられる。 本稿では,各原子の格子に基づく表現を確立するために,単位細胞の周期パターンを利用する新しい手法を提案する。 結晶材料に特化して設計されたSE(3)トランスであるComFormerを提案する。
  論文  参考訳（メタデータ） (2024-03-18T15:06:37Z)
• 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)
• A Crystal-Specific Pre-Training Framework for Crystal Material Property Prediction [12.957415185028948]
  結晶特性のラベル付けは、物理的シミュレーションや実験実験にかかわる高コストと時間のために本質的に困難である。 結晶は、周期的不変性( periodic invariance)として知られる特定の量子化学原理に従属する。 本稿では,自己超越による結晶表現学習のための,結晶固有の事前学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-08T16:46:11Z)
• Disentangling multiple scattering with deep learning: application to strain mapping from electron diffraction patterns [48.53244254413104]
  我々は、高非線形電子回折パターンを定量的構造因子画像に変換するために、FCU-Netと呼ばれるディープニューラルネットワークを実装した。 結晶構造の異なる組み合わせを含む20,000以上のユニークな動的回折パターンを用いてFCU-Netを訓練した。 シミュレーションされた回折パターンライブラリ、FCU-Netの実装、訓練されたモデルの重み付けは、オープンソースリポジトリで自由に利用可能です。
  論文  参考訳（メタデータ） (2022-02-01T03:53:39Z)

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。