論文の概要: Generative models for crystalline materials

• arxiv url: http://arxiv.org/abs/2511.22652v1
• Date: Thu, 27 Nov 2025 17:42:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.665868
• Title: Generative models for crystalline materials
• Title（参考訳）: 結晶材料の生成モデル
• Authors: Houssam Metni, Laura Ruple, Lauren N. Walters, Luca Torresi, Jonas Teufel, Henrik Schopmans, Jona Östreicher, Yumeng Zhang, Marlen Neubert, Yuri Koide, Kevin Steiner, Paul Link, Lukas Bär, Mariana Petrova, Gerbrand Ceder, Pascal Friederich,
• Abstract要約: 本稿では,結晶構造予測とテクスタイドノボ生成のための生成モデルの現状を概説する。 結晶表現を調べ、結晶構造の設計に使用される生成モデルを概説し、それぞれの強度と限界を評価する。 この研究は、特定の状況に適切なMLモデルを適用することを目指す実験科学者と、逆材料の設計と発見に関するユニークな課題を理解することを目指すMLスペシャリストの両方に通知することを目的としている。
• 参考スコア（独自算出の注目度）: 5.856518802859891
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding structure-property relationships in materials is fundamental in condensed matter physics and materials science. Over the past few years, machine learning (ML) has emerged as a powerful tool for advancing this understanding and accelerating materials discovery. Early ML approaches primarily focused on constructing and screening large material spaces to identify promising candidates for various applications. More recently, research efforts have increasingly shifted toward generating crystal structures using end-to-end generative models. This review analyzes the current state of generative modeling for crystal structure prediction and \textit{de novo} generation. It examines crystal representations, outlines the generative models used to design crystal structures, and evaluates their respective strengths and limitations. Furthermore, the review highlights experimental considerations for evaluating generated structures and provides recommendations for suitable existing software tools. Emerging topics, such as modeling disorder and defects, integration in advanced characterization, and incorporating synthetic feasibility constraints, are explored. Ultimately, this work aims to inform both experimental scientists looking to adapt suitable ML models to their specific circumstances and ML specialists seeking to understand the unique challenges related to inverse materials design and discovery.
• Abstract（参考訳）: 物質中の構造-物性関係を理解することは、凝縮物質物理学と物質科学において基礎となる。 ここ数年、機械学習(ML)は、この理解を深め、材料発見を加速するための強力なツールとして現れてきた。 初期のMLアプローチは、様々なアプリケーションに対して有望な候補を特定するために、大きな材料空間の構築とスクリーニングに重点を置いていた。 最近では、エンド・ツー・エンドの生成モデルを用いて結晶構造を創出する研究が増えている。 本稿では,結晶構造予測と<textit{de novo}生成のための生成モデルの現状を概説する。 結晶表現を調べ、結晶構造の設計に使用される生成モデルを概説し、それぞれの強度と限界を評価する。 さらに、このレビューでは、生成した構造を評価するための実験的考察を強調し、既存のソフトウェアツールに適した推奨事項を提供する。 モデリング障害や欠陥、高度なキャラクタリゼーションの統合、合成可能な制約の導入など、新たなトピックについて検討する。 この研究は、特定の状況に適切なMLモデルを適用することを目指す実験科学者と、逆材料の設計と発見に関するユニークな課題を理解することを目指すMLスペシャリストの両方に通知することを目的としている。

関連論文リスト

• 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)
• Artificial Intelligence and Generative Models for Materials Discovery -- A Review [0.0]
  Reviewは、材料発見に適用可能なAI駆動生成モデルのさまざまな原則について議論することを目的としている。 また, 新規触媒, 半導体, 高分子, 結晶の設計における生成モデルの具体的な応用についても紹介する。
  論文  参考訳（メタデータ） (2025-08-05T09:56:27Z)
• Causal Discovery from Data Assisted by Large Language Models [50.193740129296245]
  知識駆動発見のために、実験データと事前のドメイン知識を統合することが不可欠である。 本稿では、高分解能走査透過電子顕微鏡(STEM)データと大規模言語モデル(LLM)からの洞察を組み合わせることで、このアプローチを実証する。 SmドープBiFeO3(SmBFO)におけるChatGPTをドメイン固有文献に微調整することにより、構造的、化学的、分極的自由度の間の因果関係をマッピングするDAG(Directed Acyclic Graphs)の隣接行列を構築する。
  論文  参考訳（メタデータ） (2025-03-18T02:14:49Z)
• 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)
• 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)
• Generative Inverse Design of Crystal Structures via Diffusion Models with Transformers [1.2289361708127877]
  有望な性質を持つ新しい無機材料は、科学的にも工業的にも重要な課題である。 有望な性質を持つ新しい無機材料の発見は、科学的にも工業的にも重要な課題である。 そこで本研究では,トランスフォーマーアーキテクチャに基づくバックボーンを用いた,結晶構造の生成的逆設計のための新しいタイプの拡散モデルについて検討する。
  論文  参考訳（メタデータ） (2024-06-13T16:03:15Z)
• 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)

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。