論文の概要: DMFlow: Disordered Materials Generation by Flow Matching

• arxiv url: http://arxiv.org/abs/2602.04734v1
• Date: Wed, 04 Feb 2026 16:36:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.630231
• Title: DMFlow: Disordered Materials Generation by Flow Matching
• Title（参考訳）: DMFlow:フローマッチングによる不整形材料の生成
• Authors: Liming Wu, Rui Jiao, Qi Li, Mingze Li, Songyou Li, Shifeng Jin, Wenbing Huang,
• Abstract要約: DMFlowは、乱れた結晶に特化して設計された生成フレームワークである。 フローマッチングモデルを使用して、すべての構造コンポーネントを共同で生成する。 SD,PD,混合構造を含むベンチマークをCrystallography Open Databaseからリリースした。
• 参考スコア（独自算出の注目度）: 24.578652236376385
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The design of materials with tailored properties is crucial for technological progress. However, most deep generative models focus exclusively on perfectly ordered crystals, neglecting the important class of disordered materials. To address this gap, we introduce DMFlow, a generative framework specifically designed for disordered crystals. Our approach introduces a unified representation for ordered, Substitutionally Disordered (SD), and Positionally Disordered (PD) crystals, and employs a flow matching model to jointly generate all structural components. A key innovation is a Riemannian flow matching framework with spherical reparameterization, which ensures physically valid disorder weights on the probability simplex. The vector field is learned by a novel Graph Neural Network (GNN) that incorporates physical symmetries and a specialized message-passing scheme. Finally, a two-stage discretization procedure converts the continuous weights into multi-hot atomic assignments. To support research in this area, we release a benchmark containing SD, PD, and mixed structures curated from the Crystallography Open Database. Experiments on Crystal Structure Prediction (CSP) and De Novo Generation (DNG) tasks demonstrate that DMFlow significantly outperforms state-of-the-art baselines adapted from ordered crystal generation. We hope our work provides a foundation for the AI-driven discovery of disordered materials.
• Abstract（参考訳）: 調整された特性を持つ材料の設計は、技術進歩に不可欠である。 しかし、ほとんどの深層生成モデルは、完全に秩序づけられた結晶にのみ焦点を合わせ、重要な種類の乱れた材料を無視している。 このギャップに対処するために,不規則結晶に特化して設計された生成フレームワークであるDMFlowを紹介する。 本手法では, 規則, 置換不規則 (SD), 位置不規則 (PD) 結晶の統一表現を導入し, フローマッチングモデルを用いて全ての構造成分を共同生成する。 重要な革新はリーマン流マッチングフレームワークであり、球面再パラメータ化により、確率単純性上の物理的に妥当な障害重みが保証される。 ベクトル場は、物理対称性と特殊なメッセージパッシングスキームを組み込んだ新しいグラフニューラルネットワーク(GNN)によって学習される。 最後に、2段階の離散化手順は、連続重みをマルチホット原子割り当てに変換する。 この領域の研究を支援するため,Crystallography Open DatabaseからSD,PD,混合構造を含むベンチマークを作成した。 結晶構造予測(CSP)およびデ・ノボ生成(DNG)タスクの実験により、DMFlowは順序付き結晶生成から適応した最先端のベースラインを著しく上回ることを示した。 私たちの研究が、AIによる乱れた物質の発見の基礎となることを願っています。

関連論文リスト

• Challenges in Non-Polymeric Crystal Structure Prediction: Why a Geometric, Permutation-Invariant Loss is Needed [16.986704284824363]
  分子集合問題に焦点をあて、同一の剛性分子のセット$mathcalS$を充填して結晶構造を形成する。 本稿では,鍵となる幾何学的特性を捉えた損失関数を導入する,より優れた定式化を提案する。 注目すべきは、このフレームワーク内では、単純な回帰モデルは、すでに以前のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2025-08-31T13:03:08Z)
• Open Materials Generation with Stochastic Interpolants [14.939468363546384]
  Open Materials Generation (OMatG) は、結晶材料の生成設計と発見のための統一的なフレームワークである。 OMatGは無機補間剤を用いて任意の塩基分布を無機結晶の標的分布にブリッジする。 我々はOMatGの性能を結晶構造予測と'de novo'生成の2つのタスクでベンチマークする。
  論文  参考訳（メタデータ） (2025-02-04T18:56:47Z)
• 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)
• FlowLLM: Flow Matching for Material Generation with Large Language Models as Base Distributions [16.68310253042657]
  FlowLLMは、大きな言語モデル(LLM)とリーマンフローマッチング(RFM)を組み合わせて、新しい結晶材料を設計する新しい生成モデルである。 提案手法は最先端の手法よりも優れ, 安定物質の生成速度を3倍以上に向上させ, 安定, 特異, 新規結晶の生成速度を$sim50%以上向上させる。
  論文  参考訳（メタデータ） (2024-10-30T19:15:43Z)
• FlowMM: Generating Materials with Riemannian Flow Matching [16.68310253042657]
  両タスクの最先端性能を実現するための生成モデルであるFlowMMを提案する。 われわれのフレームワークは,フローベース分布の選択の自由を可能とし,結晶構造学習の問題を劇的に単純化する。 標準ベンチマークに加えて, 量子化学計算によるFlowMMの生成構造を検証した。
  論文  参考訳（メタデータ） (2024-06-07T07:46:23Z)
• 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)
• 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)
• Geometric Deep Learning for Structure-Based Drug Design: A Survey [83.87489798671155]
  構造に基づく薬物設計(SBDD)は、タンパク質の3次元幾何学を利用して、潜在的な薬物候補を特定する。 近年の幾何学的深層学習の進歩は、3次元幾何学的データを効果的に統合・処理し、この分野を前進させてきた。
  論文  参考訳（メタデータ） (2023-06-20T14:21:58Z)

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。