論文の概要: AdsorbFlow: energy-conditioned flow matching enables fast and realistic adsorbate placement

• arxiv url: http://arxiv.org/abs/2602.19289v1
• Date: Sun, 22 Feb 2026 17:53:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.567327
• Title: AdsorbFlow: energy-conditioned flow matching enables fast and realistic adsorbate placement
• Title（参考訳）: AdsorbFlow: 高速でリアルな吸着配置を可能にするエネルギー条件付きフローマッチング
• Authors: Jiangjie Qiu, Wentao Li, Honghao Chen, Leyi Zhao, Xiaonan Wang,
• Abstract要約: 本稿では,吸着翻訳の剛体構成空間上のエネルギー条件ベクトル場を学習する決定論的生成モデルであるAdsorbFlowを紹介する。 50のアウト・オブ・ディストリビューションシステムでは、AdsorbFlowは58.0%のSR@10を維持し、MLFF-DFTギャップはわずか4ポイントである。
• 参考スコア（独自算出の注目度）: 9.699345436140641
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Identifying low-energy adsorption geometries on catalytic surfaces is a practical bottleneck for computational heterogeneous catalysis: the difficulty lies not only in the cost of density functional theory (DFT) but in proposing initial placements that relax into the correct energy basins. Conditional denoising diffusion has improved success rates, yet requires $\sim$100 iterative steps per sample. Here we introduce AdsorbFlow, a deterministic generative model that learns an energy-conditioned vector field on the rigid-body configuration space of adsorbate translation and rotation via conditional flow matching. Energy information enters through classifier-free guidance conditioning -- not energy-gradient guidance -- and sampling reduces to integrating an ODE in as few as 5 steps. On OC20-Dense with full DFT single-point verification, AdsorbFlow with an EquiformerV2 backbone achieves 61.4% SR@10 and 34.1% SR@1 -- surpassing AdsorbDiff (31.8% SR@1, 41.0% SR@10) at every evaluation level and AdsorbML (47.7% SR@10) -- while using 20 times fewer generative steps and achieving the lowest anomaly rate among generative methods (6.8%). On 50 out-of-distribution systems, AdsorbFlow retains 58.0% SR@10 with a MLFF-to-DFT gap of only 4~percentage points. These results establish that deterministic transport is both faster and more accurate than stochastic denoising for adsorbate placement.
• Abstract（参考訳）: 触媒表面上での低エネルギー吸着ジオメトリの同定は、密度汎関数理論(DFT)のコストだけでなく、正しいエネルギー盆地に緩和する初期配置の提案においても困難である。 条件付き復調拡散は成功率を向上させたが、1サンプルにつき$\sim$100反復ステップが必要である。 本稿では, 適応変換と回転の剛体構成空間上のエネルギー条件ベクトル場を条件付きフローマッチングにより学習する決定論的生成モデルであるAdsorbFlowを紹介する。 エネルギー情報は、分類器なし誘導条件(エネルギー段階的なガイダンスではない)を通じて入力され、サンプリングは最大5ステップでODEを統合するまで減少する。 完全なDFTシングルポイント検証を持つOC20-Denseでは、EquiformerV2のバックボーン付きAdsorbFlowは61.4%のSR@10と34.1%のSR@1を達成し、すべての評価レベルでAdsorbDiff(31.8%のSR@1, 41.0%のSR@10)とAdsorbML(47.7%のSR@10)を上回り、20倍の生成ステップを使用し、生成メソッド間で最も低い異常率(6.8%)を達成する。 50のアウト・オブ・ディストリビューションシステムでは、AdsorbFlowは58.0%のSR@10を維持しており、MLFF-DFTギャップはわずか4～1%である。 これらの結果から, 決定論的輸送は, 吸着配置の確率的認知よりも高速かつ高精度であることが確認された。

関連論文リスト

• DeFloMat: Detection with Flow Matching for Stable and Efficient Generative Object Localization [0.5872014229110213]
  DeFloMatは、新しい生成オブジェクト検出フレームワークである。 拡散型検出器の臨界遅延ボトルネックに対処する。 DeFloMatは、わずか3ドルの推論ステップで最先端の精度(43.32%テキストAP_10:50$)を達成する。
  論文  参考訳（メタデータ） (2025-12-26T23:07:40Z)
• Simultaneous Optimization of Efficiency and Degradation in Tunable HTL-Free Perovskite Solar Cells with MWCNT-Integrated Back Contact Using a Machine Learning-Derived Polynomial Regressor [0.8739101659113155]
  孔輸送層(HTL)を持たないペロブスカイト太陽電池(PSC)は、従来のアーキテクチャに代わるコスト効率が高く安定した代替手段を提供する。 本研究では,HTLフリーPSCの効率性と安定性を最適化する機械学習(ML)駆動のフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-24T13:37:48Z)
• FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
  FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。 非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。 条件設定では、太陽予測において優れた性能を達成している。
  論文  参考訳（メタデータ） (2024-11-12T03:03:23Z)
• Flow Matching for Accelerated Simulation of Atomic Transport in Crystalline Materials [6.6716708904054896]
  原子輸送はエネルギー貯蔵や電子工学などの技術における材料の性能を支えている。 結晶材料のMDシミュレーションを高速化する生成フレームワークLiFlowを紹介する。 我々はLiFlowを4つの温度で4,186個のSSE候補にまたがる25-psのリチウム拡散軌道からなるデータセット上でベンチマークした。
  論文  参考訳（メタデータ） (2024-10-02T12:16:46Z)
• SCott: Accelerating Diffusion Models with Stochastic Consistency Distillation [74.32186107058382]
  本稿では,テキスト・画像の高速生成を実現するために,SCott(Consistency Distillation)を提案する。 SCottは、訓練済みの教師モデルの通常の微分方程式解法に基づくサンプリングプロセスを学生に蒸留する。 安定拡散V1.5教師によるMSCOCO-2017 5Kデータセットでは、SCottは2ステップのサンプリングステップを持つ21.9のFIDを達成し、1ステップのInstaFlow (23.4)と4ステップのUFOGen (22.1)を上回ります。
  論文  参考訳（メタデータ） (2024-03-03T13:08:32Z)
• AdsorbML: A Leap in Efficiency for Adsorption Energy Calculations using Generalizable Machine Learning Potentials [8.636519538557001]
  機械学習のポテンシャルを利用して、低エネルギー吸着面の配置をより正確に、効率的に特定できることを示す。 我々のアルゴリズムは、精度と効率のトレードオフのスペクトルを提供し、1つのバランスの取れたオプションは、その時間の87.36%のエネルギー構成を見つける。
  論文  参考訳（メタデータ） (2022-11-29T18:54:55Z)

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。