論文の概要: CrystalFormer-CSP: Thinking Fast and Slow for Crystal Structure Prediction

• arxiv url: http://arxiv.org/abs/2512.18251v1
• Date: Sat, 20 Dec 2025 07:22:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-23 18:54:32.255423
• Title: CrystalFormer-CSP: Thinking Fast and Slow for Crystal Structure Prediction
• Title（参考訳）: CrystalFormer-CSP: 結晶構造予測の高速化と低速化
• Authors: Zhendong Cao, Shigang Ou, Lei Wang,
• Abstract要約: 本稿では, 化学組成の安定な結晶構造を予測するために, データ駆動および物理駆動の最適化アプローチを統合する効率的なフレームワークであるCrystalFormerCSPを提案する。 このアプローチは、空間群インフォームド構造生成のための事前訓練された生成モデルと、エネルギー最小化のための普遍的な機械学習力場を組み合わせる。 本稿では,ベンチマーク問題に対するCrystalFormer-CSPの有効性を示すとともに,Webインターフェースと言語モデルの統合による利用例を示す。
• 参考スコア（独自算出の注目度）: 2.110303171517621
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Crystal structure prediction is a fundamental problem in materials science. We present CrystalFormer-CSP, an efficient framework that unifies data-driven heuristic and physics-driven optimization approaches to predict stable crystal structures for given chemical compositions. The approach combines pretrained generative models for space-group-informed structure generation and a universal machine learning force field for energy minimization. Reinforcement fine-tuning can be employed to further boost the accuracy of the framework. We demonstrate the effectiveness of CrystalFormer-CSP on benchmark problems and showcase its usage via web interface and language model integration.
• Abstract（参考訳）: 結晶構造予測は材料科学の基本的な問題である。 データ駆動型ヒューリスティックおよび物理駆動型最適化手法を統一した効率的なフレームワークであるCrystalFormer-CSPを提案する。 このアプローチは、空間群インフォームド構造生成のための事前訓練された生成モデルと、エネルギー最小化のための普遍的な機械学習力場を組み合わせる。 フレームワークの精度をさらに高めるために、強化微細調整を用いることができる。 本稿では,ベンチマーク問題に対するCrystalFormer-CSPの有効性を示すとともに,Webインターフェースと言語モデルの統合による利用例を示す。

関連論文リスト

• OXtal: An All-Atom Diffusion Model for Organic Crystal Structure Prediction [63.318434943975255]
  分子内コンフォーメーションと周期的パッキングの条件付き関節分布を学習する大規模100Mパラメータ全原子拡散モデルであるOXtalを導入する。 実験的に検証された600Kの結晶構造の大規模なデータセットを活用することで、OXtalは、以前のabinitio機械学習CSPメソッドよりも改善の順序を達成できる。 オキシタルは80%以上のパッキング類似率を獲得し、分子結晶化の熱力学的および運動論的規則性の両方をモデル化する能力を示している。
  論文  参考訳（メタデータ） (2025-12-07T20:46:30Z)
• Siamese Foundation Models for Crystal Structure Prediction [70.63218101004398]
  結晶構造予測(CSP)は、組成から安定な結晶構造を生成することを目的としている。 CSPは比較的未発見の領域である。 CSPに特化して設計されたシームズ基礎モデルを提案する。
  論文  参考訳（メタデータ） (2025-03-13T15:44:16Z)
• Transformer-Enhanced Variational Autoencoder for Crystal Structure Prediction [16.846289696048647]
  結晶構造予測のための変圧器強化変分オートエンコーダ(TransVAE-CSP)を提案する。 TransVAE-CSPは安定物質の特性分布空間を学習し、結晶構造の再構築と生成を可能にする。 CO_24, perov_5, mp_20データセットの実験結果から, TransVAE-CSPは構造再構成および生成タスクにおいて, 既存の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-02-13T15:45:36Z)
• deCIFer: Crystal Structure Prediction from Powder Diffraction Data using Autoregressive Language Models [1.231476564107544]
  粉末回折データから結晶構造予測(CSP)を行う自己回帰言語モデルを提案する。 提示されたモデルであるdeCIFerは、広く使われているCrystallographic Information File (CIF)フォーマットで結晶構造を生成する。 ほぼ2.3Mの結晶構造でdeCIFerを訓練し、難易度の高い無機結晶系を特徴付けるために多種多様なPXRDパターンの検証を行う。
  論文  参考訳（メタデータ） (2025-02-04T10:09:47Z)
• 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)
• Crystal-LSBO: Automated Design of De Novo Crystals with Latent Space Bayesian Optimization [11.988832749427077]
  本研究では、探索性を高めるために特別に調整された結晶のデノボ設計フレームワークであるCrystal-LSBOを紹介する。 本研究は,デ・ノボ結晶設計におけるLSBOの利用の先駆者であり,最適化タスクによる有効性を示すものである。
  論文  参考訳（メタデータ） (2024-05-28T07:03:49Z)
• 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)
• Crystal-GFN: sampling crystals with desirable properties and constraints [103.79058968784163]
  本稿では,結晶構造の生成モデルであるCrystal-GFNを紹介する。 本稿では,MatBenchで学習した新しいプロキシ機械学習モデルにより予測された結晶構造の原子1個あたりの生成エネルギーを目的として利用する。 その結果、Crystal-GFNは低(中間-3.1 eV/原子)で生成エネルギーが予測される非常に多様な結晶をサンプリングできることが示された。
  論文  参考訳（メタデータ） (2023-10-07T21:36:55Z)

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。