論文の概要: C2NP: A Benchmark for Learning Scale-Dependent Geometric Invariances in 3D Materials Generation

• arxiv url: http://arxiv.org/abs/2601.19076v1
• Date: Tue, 27 Jan 2026 01:25:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-28 15:26:51.114985
• Title: C2NP: A Benchmark for Learning Scale-Dependent Geometric Invariances in 3D Materials Generation
• Title（参考訳）: C2NP:3次元材料生成におけるスケール依存幾何学的不変性学習のためのベンチマーク
• Authors: Can Polat, Erchin Serpedin, Mustafa Kurban, Hasan Kurban,
• Abstract要約: 無限結晶ユニットセルと有限ナノ粒子の間を移動する際の生成モデルを評価するためのベンチマークであるCrystal-to-Nano Particle (C2NP) を紹介する。 C2NPは、 (i) 周期単位セルから特定の半径のナノ粒子を生成し、 (i) モデルが表面の切り裂きと幾何学的制約を捉えるかどうかを検証し、 (ii) 有限粒子配置からバルク格子パラメータと空間群対称性を回復する。
• 参考スコア（独自算出の注目度）: 2.3982445219832678
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative models for materials have achieved strong performance on periodic bulk crystals, yet their ability to generalize across scale transitions to finite nanostructures remains largely untested. We introduce Crystal-to-Nanoparticle (C2NP), a systematic benchmark for evaluating generative models when moving between infinite crystalline unit cells and finite nanoparticles, where surface effects and size-dependent distortions dominate. C2NP defines two complementary tasks: (i) generating nanoparticles of specified radii from periodic unit cells, testing whether models capture surface truncation and geometric constraints; and (ii) recovering bulk lattice parameters and space-group symmetry from finite particle configurations, assessing whether models can infer underlying crystallographic order despite surface perturbations. Using diverse materials as a structurally consistent testbed, we construct over 170,000 nanoparticle configurations by carving particles from supercells derived from DFT-relaxed crystal unit cells, and introduce size-based splits that separate interpolation from extrapolation regimes. Experiments with state-of-the-art approaches, including diffusion, flow-matching, and variational models, show that even when losses are low, models often fail geometrically under distribution shift, yielding large lattice-recovery errors and near-zero joint accuracy on structure and symmetry. Overall, our results suggest that current methods rely on template memorization rather than scalable physical generalization. C2NP offers a controlled, reproducible framework for diagnosing these failures, with immediate applications to nanoparticle catalyst design, nanostructured hydrides for hydrogen storage, and materials discovery. Dataset and code are available at https://github.com/KurbanIntelligenceLab/C2NP.
• Abstract（参考訳）: 物質生成モデルは、周期的なバルク結晶上で強い性能を達成しているが、スケール転移から有限ナノ構造への一般化能力はほとんど証明されていない。 無限結晶ユニットセルと有限ナノ粒子の間を移動する際の生成モデルを評価するための系統的ベンチマークであるCrystal-to-Nano Particle (C2NP) を導入する。 C2NPは2つの補完的なタスクを定義します。 一 周期的な単位細胞から特定ラジイのナノ粒子を生成し、表面の収縮及び幾何的制約を捉えるか否かを検査すること。 二 有限粒子配置からバルク格子パラメータと空間群対称性を復元し、表面摂動にもかかわらず基礎となる結晶秩序を推定できるかどうかを評価する。 種々の材料を構造的に一貫したテストベッドとして利用し,DFT結晶ユニットセル由来の超微粒子から170,000以上のナノ粒子構造を構築し,外挿系から補間を分離するサイズベースの分割を導入する。 拡散、フローマッチング、変分モデルを含む最先端のアプローチによる実験では、損失が低い場合でも、モデルが分布シフトの下で幾何学的に失敗し、大きな格子回復誤差と構造と対称性におけるほぼゼロの関節精度をもたらすことが示されている。 以上の結果から,現在の手法は拡張性のある物理一般化よりもテンプレート記憶に頼っていることが示唆された。 C2NPはこれらの故障を診断するための制御された再現可能なフレームワークを提供し、すぐにナノ粒子触媒設計、水素貯蔵のためのナノ構造水素化物、材料発見に応用できる。 データセットとコードはhttps://github.com/KurbanIntelligenceLab/C2NPで入手できる。

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)
• Ab Initio Structure Solutions from Nanocrystalline Powder Diffraction Data [4.463003012243322]
  材料科学における大きな課題は、ナノメートルサイズの物体の構造を決定することである。 本稿では,45,229の既知構造に基づく拡散過程に基づく生成機械学習モデルを用いた新しい手法を提案する。 我々のモデルであるPXRDnetは、対称性と複雑さの異なる200の材料にまたがる10アングストロームのシミュレーションナノ結晶を解くことに成功した。
  論文  参考訳（メタデータ） (2024-06-16T03:45:03Z)
• 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)
• Data-Driven Score-Based Models for Generating Stable Structures with Adaptive Crystal Cells [1.515687944002438]
  本研究は, 化学安定性や化学組成など, 新しい結晶構造を創出することを目的としている。 提案手法の新規性は、結晶細胞の格子が固定されていないという事実にある。 対称性の制約を尊重し、計算上の優位性をもたらす多グラフ結晶表現が導入された。
  論文  参考訳（メタデータ） (2023-10-16T02:53:24Z)
• 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)
• Geometric Neural Diffusion Processes [55.891428654434634]
  拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。 これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
  論文  参考訳（メタデータ） (2023-07-11T16:51:38Z)
• Deep-learning-based prediction of nanoparticle phase transitions during in situ transmission electron microscopy [3.613625739845355]
  我々は、過去のフレームのシーケンスの入力に基づいて、将来のビデオフレームのシーケンスを予測するために、ディープラーニングモデルを訓練する。 この能力は、動的反応条件下でのAuナノ粒子の粒径依存構造変化の洞察を与える。 新たな自動実験プラットフォームのための化学反応の次のステップを予測できるかもしれない。
  論文  参考訳（メタデータ） (2022-05-23T15:50:24Z)
• Generalizing the Quantum Information Model for Dynamic Diffraction [0.0]
  量子ゲートの格子による粒子の伝播に基づく動的回折の量子情報(QI)モデルを提案する。 モデル出力は, 適切な極限において, 高木・タウピン方程式の球面波解と数学的に等価であることを示す。 その結果、QIモデルの普遍性と、DDの標準理論の範囲を超えたモデリングシナリオの可能性を示す。
  論文  参考訳（メタデータ） (2021-11-10T20:39:33Z)
• TOF-SIMS Analysis of Decoherence Sources in Nb Superconducting Resonators [48.7576911714538]
  超伝導量子ビットは、潜在的に基盤となるプラットフォーム技術として出現している。 材料品質と界面構造は、デバイスの性能を抑え続けている。 薄膜および隣接領域の2レベル系欠陥はノイズを導入し、電磁エネルギーを散逸させる。
  論文  参考訳（メタデータ） (2021-08-30T22:22:47Z)

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。