論文の概要: MolCrystalFlow: Molecular Crystal Structure Prediction via Flow Matching

• arxiv url: http://arxiv.org/abs/2602.16020v1
• Date: Tue, 17 Feb 2026 21:22:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-19 15:58:30.44134
• Title: MolCrystalFlow: Molecular Crystal Structure Prediction via Flow Matching
• Title（参考訳）: MolCrystal Flow:フローマッチングによる分子結晶構造予測
• Authors: Cheng Zeng, Harry W. Sullivan, Thomas Egg, Maya M. Martirossyan, Philipp Höllmer, Jirui Jin, Richard G. Hennig, Adrian Roitberg, Stefano Martiniani, Ellad B. Tadmor, Mingjie Liu,
• Abstract要約: 分子結晶構造予測のためのフローベース生成モデルである MolCrystalFlow を提案する。 この枠組みは分子を固形体として埋め込むことによって分子間充填から分子内複雑さを解き放つ。 我々は,大規模周期結晶の最先端生成モデルと規則に基づく構造生成法とを比較した。
• 参考スコア（独自算出の注目度）: 6.02313590078714
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Molecular crystal structure prediction represents a grand challenge in computational chemistry due to large sizes of constituent molecules and complex intra- and intermolecular interactions. While generative modeling has revolutionized structure discovery for molecules, inorganic solids, and metal-organic frameworks, extending such approaches to fully periodic molecular crystals is still elusive. Here, we present MolCrystalFlow, a flow-based generative model for molecular crystal structure prediction. The framework disentangles intramolecular complexity from intermolecular packing by embedding molecules as rigid bodies and jointly learning the lattice matrix, molecular orientations, and centroid positions. Centroids and orientations are represented on their native Riemannian manifolds, allowing geodesic flow construction and graph neural network operations that respects geometric symmetries. We benchmark our model against state-of-the-art generative models for large-size periodic crystals and rule-based structure generation methods on two open-source molecular crystal datasets. We demonstrate an integration of MolCrystalFlow model with universal machine learning potential to accelerate molecular crystal structure prediction, paving the way for data-driven generative discovery of molecular crystals.
• Abstract（参考訳）: 分子結晶構造予測は、構成分子の大規模化と複雑な分子内および分子間相互作用による計算化学における大きな課題である。 生成的モデリングは分子、無機固体、金属-有機組織の構造発見に革命をもたらしたが、そのようなアプローチを完全に周期的な分子結晶に拡張することは依然として解明されている。 本稿では,分子結晶構造予測のためのフローベース生成モデルであるMolCrystalFlowを提案する。 この枠組みは、分子を剛体として埋め込み、格子行列、分子配向、セントロイド位置を共同で学習することで、分子間パッキングから分子内複雑さを解き放つ。 セントロイドと配向はリーマン多様体上に表現され、幾何学的対称性を尊重する測地流の構成とグラフニューラルネットワークの操作が可能である。 本研究では, 大規模周期結晶の最先端生成モデルと, 2つのオープンソース分子結晶データセット上の規則に基づく構造生成法とを比較した。 分子結晶構造予測を高速化するために,MolCrystalFlowモデルと普遍的な機械学習ポテンシャルを統合し,データ駆動による分子結晶生成発見の道を開くことを実証する。

関連論文リスト

• Molecular Representations in Implicit Functional Space via Hyper-Networks [53.70982267248536]
  分子学習は関数空間における学習として定式化することができる。 分子場上の分布を学習するハイパーネットワークベースのフレームワークであるMollFieldを用いて、この定式化をインスタンス化する。 分子を連続関数として扱うことは、分子表現がタスク全体にわたって一般化する方法を根本的に変えることを示す。
  論文  参考訳（メタデータ） (2026-01-29T21:13:37Z)
• 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)
• Chemistry-Enhanced Diffusion-Based Framework for Small-to-Large Molecular Conformation Generation [23.618895235349395]
  拡散モデルに基づくフレームワークであるStoLを導入し、小分子データから大規模分子構造を迅速かつ無知識に生成する。 StoLは、トレーニング中にターゲット分子やそれに相当する大きさの構造を見ることなく、LEGOスタイルの分子をゼロから組み立てる。
  論文  参考訳（メタデータ） (2025-11-15T12:20:13Z)
• UniIF: Unified Molecule Inverse Folding [67.60267592514381]
  全分子の逆折り畳みのための統一モデルUniIFを提案する。 提案手法は,全タスクにおける最先端手法を超越した手法である。
  論文  参考訳（メタデータ） (2024-05-29T10:26:16Z)
• 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)
• MUDiff: Unified Diffusion for Complete Molecule Generation [104.7021929437504]
  本稿では,原子の特徴,2次元離散分子構造,および3次元連続分子座標を含む分子の包括的表現を生成する新しいモデルを提案する。 拡散過程を認知するための新しいグラフトランスフォーマーアーキテクチャを提案する。 我々のモデルは、安定で多様な分子を設計するための有望なアプローチであり、分子モデリングの幅広いタスクに適用できる。
  論文  参考訳（メタデータ） (2023-04-28T04:25:57Z)
• An Equivariant Generative Framework for Molecular Graph-Structure Co-Design [54.92529253182004]
  分子グラフ構造アンダーラインCo設計のための機械学習ベースの生成フレームワークであるMollCodeを提案する。 MolCodeでは、3D幾何情報によって分子2Dグラフの生成が促進され、それによって分子3D構造の予測が導かれる。 分子設計における2次元トポロジーと3次元幾何は本質的に相補的な情報を含んでいることが明らかとなった。
  論文  参考訳（メタデータ） (2023-04-12T13:34:22Z)
• A data-driven interpretation of the stability of molecular crystals [0.0]
  分子構造ブロックから形成される結晶構造の安定性を予測することは、非自明な科学的問題である。 本稿では, 有機結晶の硬化したデータセットに対する結合エネルギーの予測に適した構造記述子を提案する。 次に、構造エネルギーのランドスケープの低次元表現を用いて、このライブラリを解釈する。
  論文  参考訳（メタデータ） (2022-09-21T23:32:53Z)
• Learning Neural Generative Dynamics for Molecular Conformation Generation [89.03173504444415]
  分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。 分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-02-20T03:17:58Z)
• Learning a Continuous Representation of 3D Molecular Structures with Deep Generative Models [0.0]
  生成モデルは、連続的な潜伏空間における分子の表現と最適化を学ぶ全く異なるアプローチである。 原子密度格子を用いた三次元分子構造の深部生成モデルについて述べる。 また、与えられた入力化合物に基づいて多様な分子の集合をサンプリングすることで、有効な薬物様分子の創出の可能性を高めることができる。
  論文  参考訳（メタデータ） (2020-10-17T01:15:47Z)

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。