論文の概要: Universal Fine-Grained Symmetry Inference and Enforcement for Rigorous Crystal Structure Prediction

• arxiv url: http://arxiv.org/abs/2602.17176v1
• Date: Thu, 19 Feb 2026 08:43:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-20 15:21:28.814687
• Title: Universal Fine-Grained Symmetry Inference and Enforcement for Rigorous Crystal Structure Prediction
• Title（参考訳）: リゴラス結晶構造予測のための普遍的微粒対称性推論と強化
• Authors: Shi Yin, Jinming Mu, Xudong Zhu, Lixin He,
• Abstract要約: 結晶構造予測(CSP)は、結晶の3次元原子配置をその組成から予測することを目的としている。 既存のディープラーニングモデルは、しばしば、ソフトまたはスペースグループと既知の構造から取得されたウィコフテンプレートにのみ依存する結晶対称性を扱う。 対照的に,本手法は大規模言語モデルを用いて化学意味論を符号化し,Wyckoffパターンを合成から直接生成する。
• 参考スコア（独自算出の注目度）: 3.5802790319269717
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Crystal structure prediction (CSP), which aims to predict the three-dimensional atomic arrangement of a crystal from its composition, is central to materials discovery and mechanistic understanding. Existing deep learning models often treat crystallographic symmetry only as a soft heuristic or rely on space group and Wyckoff templates retrieved from known structures, which limits both physical fidelity and the ability to discover genuinely new material structures. In contrast to retrieval-based methods, our approach leverages large language models to encode chemical semantics and directly generate fine-grained Wyckoff patterns from composition, effectively circumventing the limitations inherent to database lookups. Crucially, we incorporate domain knowledge into the generative process through an efficient constrained-optimization search that rigorously enforces algebraic consistency between site multiplicities and atomic stoichiometry. By integrating this symmetry-consistent template into a diffusion backbone, our approach constrains the stochastic generative trajectory to a physically valid geometric manifold. This framework achieves state-of-the-art performance across stability, uniqueness, and novelty (SUN) benchmarks, alongside superior matching performance, thereby establishing a new paradigm for the rigorous exploration of targeted crystallographic space. This framework enables efficient expansion into previously uncharted materials space, eliminating reliance on existing databases or a priori structural knowledge.
• Abstract（参考訳）: 結晶構造予測(CSP)は、その組成から結晶の3次元原子配置を予測することを目的としており、材料発見と機械的理解の中心である。 既存のディープラーニングモデルは、しばしば結晶対称性をソフトヒューリスティック(英語版)としてのみ扱うか、または既知の構造から取り出された宇宙群とウィコフテンプレートに依存し、物理的忠実さと真に新しい物質構造を発見する能力の両方を制限する。 検索手法とは対照的に,本手法は大規模言語モデルを用いて化学意味論を符号化し,構成から微細なウィックフパターンを直接生成し,データベースの検索に固有の制約を効果的に回避する。 重要なことに、我々は領域知識を効率的な制約最適化探索を通じて生成過程に組み入れ、サイト乗法と原子量論の代数的一貫性を厳格に強化する。 この対称性を持つテンプレートを拡散バックボーンに統合することにより、我々のアプローチは確率的生成軌道を物理的に有効な幾何多様体に制約する。 このフレームワークは、安定性、特異性、新奇性(SUN)ベンチマークにまたがる最先端のパフォーマンスと優れたマッチング性能を実現し、ターゲットとする結晶空間の厳密な探索のための新しいパラダイムを確立する。 このフレームワークは、既存のデータベースや事前構造知識への依存をなくし、それまでのチャージされていない材料空間への効率的な拡張を可能にする。

関連論文リスト

• CrystalFormer-CSP: Thinking Fast and Slow for Crystal Structure Prediction [2.110303171517621]
  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。
  論文  参考訳（メタデータ） (2025-12-20T07:22:58Z)
• 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)
• Guiding Generative Models to Uncover Diverse and Novel Crystals via Reinforcement Learning [13.437119411600499]
  本稿では,多種多様だが熱力学的に実現可能な結晶性化合物への潜伏拡散モデルを導出する強化学習フレームワークを提案する。 我々のアプローチは、グループの相対的政策最適化と検証可能な多目的報酬を統合し、創造性、安定性、多様性を共同でバランスさせる。 このアプローチは、制御可能なAI駆動の逆設計のためのモジュラー基盤を確立する。
  論文  参考訳（メタデータ） (2025-11-10T14:48:49Z)
• CLOUD: A Scalable and Physics-Informed Foundation Model for Crystal Representation Learning [0.0]
  CLOUD(Crystal Language mOdel for Unified and Differentiable Materials Modeling)は,新しいSCOPE(Symmetry-Consistent SCOPE)をトレーニングしたトランスフォーマーベースのフレームワークである。 CLOUDは600万以上の結晶構造で事前訓練されており、幅広い材料特性を予測する上での競争性能を達成する。 異種材料モデリングの概念の証明として, フォノン内部エネルギーと熱容量の予測にCLOUDを適用した。
  論文  参考訳（メタデータ） (2025-06-19T15:45:24Z)
• High-Fidelity Scientific Simulation Surrogates via Adaptive Implicit Neural Representations [51.90920900332569]
  入射神経表現(INR)は空間的に構造化されたデータをモデリングするためのコンパクトで連続的なフレームワークを提供する。 近年のアプローチでは、剛性幾何学的構造に沿った付加的な特徴を導入することでこの問題に対処している。 機能適応型INR(FA-INR)を提案する。
  論文  参考訳（メタデータ） (2025-06-07T16:45:17Z)
• Geometry-Editable and Appearance-Preserving Object Compositon [67.98806888489385]
  汎用オブジェクト合成(GOC)は、対象オブジェクトを望まれる幾何学的性質を持つ背景シーンにシームレスに統合することを目的としている。 近年のアプローチは意味的埋め込みを導出し、それらを高度な拡散モデルに統合し、幾何学的に編集可能な生成を可能にする。 本稿では,まずセマンティックな埋め込みを活用して,所望の幾何学的変換を暗黙的にキャプチャするDistangled Geometry-editable and Outearance-Preserving Diffusionモデルを提案する。
  論文  参考訳（メタデータ） (2025-05-27T09:05:28Z)
• Learning Identifiable Structures Helps Avoid Bias in DNN-based Supervised Causal Learning [56.22841701016295]
  Supervised Causal Learning (SCL)はこの分野で新興パラダイムである。 既存のディープニューラルネットワーク(DNN)ベースの手法では、"Node-Edgeアプローチ"が一般的である。
  論文  参考訳（メタデータ） (2025-02-15T19:10:35Z)
• 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)
• MIND: Microstructure INverse Design with Generative Hybrid Neural Representation [25.55691106041371]
  マイクロマテリアルの逆設計は、特定の標的となる物理的特性を持つメタマテリアルを最適化する上で重要な役割を担っている。 本稿では,幾何学的特性と物理的特性を同時に符号化した,高度なハイブリッドニューラル表現であるHoloplaneと潜時拡散を統合した新しい生成モデルを提案する。 提案手法は,複数クラスにまたがって一般化され,多種多様なタイル状構造の生成が可能となり,特性精度が大幅に向上し,幾何的妥当性の制御が強化された。
  論文  参考訳（メタデータ） (2025-02-01T20:25:47Z)
• 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)
• 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)

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。