論文の概要: A probabilistic foundation model for crystal structure denoising, phase classification, and order parameters
- arxiv url: http://arxiv.org/abs/2512.11077v1
- Date: Thu, 11 Dec 2025 19:46:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-15 15:48:11.548664
- Title: A probabilistic foundation model for crystal structure denoising, phase classification, and order parameters
- Title（参考訳）: 結晶構造決定・位相分類・秩序パラメータの確率論的基礎モデル
- Authors: Hyuna Kwon, Babak Sadigh, Sebastien Hamel, Vincenzo Lordi, John Klepeis, Fei Zhou,
- Abstract要約: 原子論シミュレーションは大量のノイズ構造データを生成する。
PTMやCNAといった既存のツールは、手作り格子の小さなセットに制限されている。
ここでは、相分類、OP抽出を統一した対数確率基礎モデルを提案する。
- 参考スコア（独自算出の注目度）: 2.4960857119636963
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Atomistic simulations generate large volumes of noisy structural data, but extracting phase labels, order parameters (OPs), and defect information in a way that is universal, robust, and interpretable remains challenging. Existing tools such as PTM and CNA are restricted to a small set of hand-crafted lattices (e.g.\ FCC/BCC/HCP), degrade under strong thermal disorder or defects, and produce hard, template-based labels without per-atom probability or confidence scores. Here we introduce a log-probability foundation model that unifies denoising, phase classification, and OP extraction within a single probabilistic framework. We reuse the MACE-MP foundation interatomic potential on crystal structures mapped to AFLOW prototypes, training it to predict per-atom, per-phase logits $l$ and to aggregate them into a global log-density $\log \hat{P}_θ(\boldsymbol{r})$ whose gradient defines a conservative score field. Denoising corresponds to gradient ascent on this learned log-density, phase labels follow from $\arg\max_c l_{ac}$, and the $l$ values act as continuous, defect-sensitive and interpretable OPs quantifying the Euclidean distance to ideal phases. We demonstrate universality across hundreds of prototypes, robustness under strong thermal and defect-induced disorder, and accurate treatment of complex systems such as ice polymorphs, ice--water interfaces, and shock-compressed Ti.
- Abstract（参考訳）: 原子論シミュレーションは大量のノイズ構造データを生成するが、相ラベル、秩序パラメータ(OP)、欠陥情報を普遍的で堅牢で解釈可能な方法で抽出することは依然として困難である。
PTMやCNAといった既存のツールは、手作り格子(例:FCC/BCC/HCP)の小さなセットに制限され、強い熱障害や欠陥の下で分解され、原子単位の確率や信頼スコアのない硬質でテンプレートベースのラベルが生成される。
本稿では,1つの確率的フレームワーク内での認知,位相分類,OP抽出を統一したログ確率基盤モデルを提案する。
我々は、AFLOWプロトタイプにマッピングされた結晶構造上のMACE-MPファンデーションの原子間ポテンシャルを再利用し、原子ごとのロジット$l$を予測し、それらをグローバルなログ密度$\log \hat{P}_θ(\boldsymbol{r})$に集約し、その勾配が保守的なスコアフィールドを定義するように訓練する。
位相ラベルは $\arg\max_c l_{ac}$ から続き、$l$ はユークリッド距離を理想的な位相に定量化するための連続、欠陥感受性、解釈可能なOPとして機能する。
本研究では, 氷多形, 氷水界面, 衝撃圧縮Tiなどの複雑なシステムにおいて, 数百種類のプロトタイプの普遍性, 強い熱および欠陥誘発障害下での堅牢性, 高精度な処理を実証する。
関連論文リスト
- Composable Score-based Graph Diffusion Model for Multi-Conditional Molecular Generation [85.58520120011269]
本研究では,具体的スコアを用いてスコアマッチングを離散グラフに拡張するComposable Score-based Graph Diffusion Model (CSGD)を提案する。
CSGDは従来の手法よりも平均15.3%の制御性向上を実現していることを示す。
本研究は, 離散グラフ生成におけるスコアベースモデリングの実用的利点と, フレキシブルでマルチプロパタイトな分子設計のためのキャパシティを強調した。
論文 参考訳（メタデータ） (2025-09-11T13:37:56Z) - Learning Pole Structures of Hadronic States using Predictive Uncertainty Estimation [0.0]
極構造を$S$-matrix要素に分類するための不確実性を考慮した機械学習手法を提案する。
我々のフレームワークは、他の候補ハドロン状態にも広く適用でき、散乱振幅における極構造推論のためのスケーラブルなツールを提供する。
論文 参考訳（メタデータ） (2025-07-10T11:49:17Z) - Energy-Based Coarse-Graining in Molecular Dynamics: A Flow-Based Framework without Data [0.0]
粗粒モデル(CG)は分子シミュレーションの複雑さを減らす効果的な経路を提供する。
本稿では,全原子ボルツマン分布を直接対象とするCGのための完全データフリーな生成フレームワークを提案する。
本手法はボルツマン分布のすべてのモードを捕捉し、原子配置を再構成し、自動的に物理的に意味のあるCG表現を学習することを示す。
論文 参考訳（メタデータ） (2025-04-29T17:05:27Z) - Low coordinate degree algorithms II: Categorical signals and generalized stochastic block models [2.4889993472438383]
低座標次数関数が高次元データにおけるカテゴリー構造の存在をテストできるかどうかについて検討する。
これはLCDFの連続構造試験における性能について研究したこのシリーズの最初の論文を補完するものである。
論文 参考訳（メタデータ） (2024-12-30T18:34:36Z) - TopoFR: A Closer Look at Topology Alignment on Face Recognition [58.45515807380505]
PTSAと呼ばれるトポロジカル構造アライメント戦略とSDEという硬質試料マイニング戦略を利用する新しいFRモデルであるTopoFRを提案する。
PTSAは永続ホモロジーを用いて入力空間と潜在空間の位相構造を整列し、構造情報を効果的に保存し、FRモデルの一般化性能を向上させる。
一般的な顔のベンチマーク実験の結果は、最先端の手法よりもTopoFRの方が優れていることを示している。
論文 参考訳（メタデータ） (2024-10-14T14:58:30Z) - ChiroDiff: Modelling chirographic data with Diffusion Models [132.5223191478268]
チャーログラフィーデータのための強力なモデルクラスである「拡散確率モデル(Denoising Diffusion Probabilistic Models)」やDDPMを導入している。
我々のモデルは「ChiroDiff」と呼ばれ、非自己回帰的であり、全体論的概念を捉えることを学び、したがって高い時間的サンプリングレートに回復する。
論文 参考訳（メタデータ） (2023-04-07T15:17:48Z) - Latent Class-Conditional Noise Model [54.56899309997246]
本稿では,ベイズ的枠組みの下での雑音遷移をパラメータ化するためのLatent Class-Conditional Noise Model (LCCN)を提案する。
次に、Gibs sampler を用いて遅延真のラベルを効率的に推測できる LCCN の動的ラベル回帰法を導出する。
提案手法は,サンプルのミニバッチから事前の任意チューニングを回避するため,ノイズ遷移の安定な更新を保護している。
論文 参考訳（メタデータ） (2023-02-19T15:24:37Z) - Score-based denoising for atomic structure identification [3.6302902879420302]
提案手法は, 合成雑音の結晶格子上で学習したデノナイジングスコア関数を用いて, 原子位置の熱雑音や摂動を反復的に減算する。
結果として生じる分極構造は、結晶欠陥に関連する障害を保ちながら、下層の結晶秩序を明らかにしている。
論文 参考訳（メタデータ） (2022-12-05T17:18:17Z) - Robust and Provably Monotonic Networks [0.0]
深層学習モデルのリプシッツ定数を制約する新しい手法を提案する。
LHCbのリアルタイムデータ処理システムにおいて, 強靭で解釈可能な判別器を学習するために, アルゴリズムがどのように使われたかを示す。
論文 参考訳（メタデータ） (2021-11-30T19:01:32Z) - Sinkhorn Natural Gradient for Generative Models [125.89871274202439]
本研究では,シンクホーンの発散による確率空間上の最も急降下法として機能するシンクホーン自然勾配(SiNG)アルゴリズムを提案する。
本稿では,SiNG の主要成分であるシンクホーン情報行列 (SIM) が明示的な表現を持ち,対数的スケールの複雑さを正確に評価できることを示す。
本実験では,SiNGと最先端のSGD型解法を定量的に比較し,その有効性と有効性を示す。
論文 参考訳（メタデータ） (2020-11-09T02:51:17Z) - Probabilistic Circuits for Variational Inference in Discrete Graphical
Models [101.28528515775842]
変分法による離散的グラフィカルモデルの推論は困難である。
エビデンス・ロウアーバウンド(ELBO)を推定するためのサンプリングに基づく多くの手法が提案されている。
Sum Product Networks (SPN) のような確率的回路モデルのトラクタビリティを活用する新しい手法を提案する。
選択的SPNが表現的変動分布として適していることを示し、対象モデルの対数密度が重み付けされた場合、対応するELBOを解析的に計算可能であることを示す。
論文 参考訳（メタデータ） (2020-10-22T05:04:38Z)
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。