論文の概要: OrgFlow: Generative Modeling of Organic Crystal Structures from Molecular Graphs

• arxiv url: http://arxiv.org/abs/2602.20195v1
• Date: Sun, 22 Feb 2026 04:01:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-25 17:34:53.45598
• Title: OrgFlow: Generative Modeling of Organic Crystal Structures from Molecular Graphs
• Title（参考訳）: OrgFlow: 分子グラフを用いた有機結晶構造の創成モデリング
• Authors: Mohammadmahdi Vahediahmar, Matthew A. McDonald, Feng Liu,
• Abstract要約: 分子グラフから直接有機結晶構造を予測するためのフローマッチングモデルを提案する。 結合認識損失は、結合長さと接続性の分布を強制することによって、モデルが現実的な局所化学へ導かれる。 実験の結果,提案手法は既存のベースラインの10倍以上のマッチング率を達成することがわかった。
• 参考スコア（独自算出の注目度）: 4.5375644408112565
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Crystal structure prediction is a long-standing challenge in materials science, with most data-driven methods developed for inorganic systems. This leaves an important gap for organic crystals, which are central to pharmaceuticals, polymers, and functional materials, but present unique challenges, such as larger unit cells and strict chemical connectivity. We introduce a flow-matching model for predicting organic crystal structures directly from molecular graphs. The architecture integrates molecular connectivity with periodic boundary conditions while preserving the symmetries of crystalline systems. A bond-aware loss guides the model toward realistic local chemistry by enforcing distributions of bond lengths and connectivity. To support reliable and efficient training, we built a curated dataset of organic crystals, along with a preprocessing pipeline that precomputes bonds and edges, substantially reducing computational overhead during both training and inference. Experiments show that our method achieves a Match Rate more than 10 times higher than existing baselines while requiring fewer sampling steps for inference. These results establish generative modeling as a practical and scalable framework for organic crystal structure prediction.
• Abstract（参考訳）: 結晶構造予測は材料科学における長年の課題であり、ほとんどのデータ駆動方式は無機系のために開発された。 このことは、医薬品、高分子、機能性材料の中心となる有機結晶にとって重要なギャップを残しているが、より大きな単位細胞や厳密な化学結合のようなユニークな課題を呈している。 分子グラフから直接有機結晶構造を予測するためのフローマッチングモデルを提案する。 このアーキテクチャは、結晶系の対称性を維持しながら、周期的な境界条件と分子接続を統合する。 結合認識損失は、結合長さと接続性の分布を強制することによって、モデルが現実的な局所化学へ導かれる。 信頼性と効率的なトレーニングを支援するため,我々は有機結晶のキュレートされたデータセットと,結合とエッジを前処理する前処理パイプラインを構築し,トレーニングと推論の双方において計算オーバーヘッドを大幅に削減した。 実験の結果,提案手法は既存の基準値の10倍以上の一致率を達成できるが,サンプリングステップは少ないことがわかった。 これらの結果は、有機結晶構造予測のための実用的でスケーラブルなフレームワークとして生成モデリングを確立している。

関連論文リスト

• MolCrystalFlow: Molecular Crystal Structure Prediction via Flow Matching [6.02313590078714]
  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。
  論文  参考訳（メタデータ） (2026-02-17T21:22:08Z)
• 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)
• A Generation Framework with Strict Constraints for Crystal Materials Design [8.736399863675524]
  本稿では,複数の制約を入力として受け取り,特定の化学特性を持つ結晶構造の生成を可能にする新しい制約生成フレームワークを提案する。 本手法は,既存手法の2倍以上の目標特性を満たす確率で結晶構造を生成する。
  論文  参考訳（メタデータ） (2024-11-13T09:36:50Z)
• Generative Hierarchical Materials Search [91.93125016916463]
  結晶構造の制御可能な生成のための生成階層材料探索(GenMS)を提案する。 GenMSは(1)高レベル自然言語を入力とし、結晶に関する中間テキスト情報を生成する言語モデルからなる。 GenMSはまた、生成された結晶構造から特性(たとえば生成エネルギー)を予測するためにグラフニューラルネットワークを使用する。
  論文  参考訳（メタデータ） (2024-09-10T17:51:28Z)
• UAlign: Pushing the Limit of Template-free Retrosynthesis Prediction with Unsupervised SMILES Alignment [51.49238426241974]
  本稿では,テンプレートのないグラフ・ツー・シーケンスパイプラインであるUAlignを紹介した。 グラフニューラルネットワークとトランスフォーマーを組み合わせることで、分子固有のグラフ構造をより効果的に活用することができる。
  論文  参考訳（メタデータ） (2024-03-25T03:23:03Z)
• 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)
• 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)
• 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)
• 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)

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。