論文の概要: PolyCrysDiff: Controllable Generation of Three-Dimensional Computable Polycrystalline Material Structures

• arxiv url: http://arxiv.org/abs/2603.11695v1
• Date: Thu, 12 Mar 2026 09:04:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-13 14:46:25.982787
• Title: PolyCrysDiff: Controllable Generation of Three-Dimensional Computable Polycrystalline Material Structures
• Title（参考訳）: PolyCrysDiff:3次元計算可能多結晶構造の生成制御
• Authors: Chi Chen, Tianle Jiang, Xiaodong Wei, Yanming Wang,
• Abstract要約: PolyCrysDiffは計算可能な3D多結晶構造のエンドツーエンド生成を可能にするフレームワークである。 ターゲットの粒状形態、配向分布、三次元空間相関を再現し、粒状特性に対してR2$以上の0.972を達成している。 この開発は、多結晶材料の加速・データ駆動最適化と設計に向けた重要なステップを拓くことが期待されている。
• 参考スコア（独自算出の注目度）: 2.60208526398869
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The three-dimensional (3D) microstructures of polycrystalline materials exert a critical influence on their mechanical and physical properties. Realistic, controllable construction of these microstructures is a key step toward elucidating structure-property relationships, yet remains a formidable challenge. Herein, we propose PolyCrysDiff, a framework based on conditional latent diffusion that enables the end-to-end generation of computable 3D polycrystalline microstructures. Comprehensive qualitative and quantitative evaluations demonstrate that PolyCrysDiff faithfully reproduces target grain morphologies, orientation distributions, and 3D spatial correlations, while achieving an $R^2$ over 0.972 on grain attributes (e.g., size and sphericity) control, thereby outperforming mainstream approaches such as Markov random field (MRF)- and convolutional neural network (CNN)-based methods. The computability and physical validity of the generated microstructures are verified through a series of crystal plasticity finite element method (CPFEM) simulations. Leveraging PolyCrysDiff's controllable generative capability, we systematically elucidate how grain-level microstructural characteristics affect the mechanical properties of polycrystalline materials. This development is expected to pave a key step toward accelerated, data-driven optimization and design of polycrystalline materials.
• Abstract（参考訳）: 多結晶材料の3次元(3次元)微細構造は、その機械的および物理的性質に重要な影響を与えている。 現実的で制御可能なこれらのミクロ構造の構築は、構造とプロパティの関係を解明するための重要なステップである。 本稿では,計算可能な3次元多結晶構造のエンドツーエンド生成を可能にする条件付き潜在拡散に基づくフレームワークであるPolyCrysDiffを提案する。 包括的質的および定量的評価により、ポリクリスディフはターゲットの粒形態、配向分布、三次元空間相関を忠実に再現し、粒度特性(例えば、粒径、球状度)の0.972ドルを達成し、マルコフランダム場(MRF)や畳み込みニューラルネットワーク(CNN)のような主流のアプローチよりも優れていることが示されている。 結晶塑性有限要素法(CPFEM)シミュレーションにより, 生成したミクロ構造の計算可能性および物理的妥当性を検証した。 ポリクライスディフの制御可能な生成能力を生かし, 粒度微細構造特性が多結晶材料の機械的性質に与える影響を系統的に解明した。 この開発は、多結晶材料の加速・データ駆動最適化と設計に向けた重要なステップを拓くことが期待されている。

関連論文リスト

• polyGen: A Learning Framework for Atomic-level Polymer Structure Generation [4.6516580885528835]
  繰り返し単位化学のような最小の入力から高分子構造に特異的に設計された最初の生成モデルであるpolyGenを紹介する。 ポリゲンは、高分子の伝統的な結晶構造予測法の限界を克服し、現実的で多様な線形および分岐配座を生成することに成功した。 天然高分子の弾力性を示す最初の原子レベルの実証実験として、物質構造生成の新たな能力を示す。
  論文  参考訳（メタデータ） (2025-04-24T15:26:00Z)
• MatLLMSearch: Crystal Structure Discovery with Evolution-Guided Large Language Models [27.083255538087215]
  事前学習されたLarge Language Models (LLMs) は, 微調整を伴わずに, 本質的に新規で安定した結晶構造を生成可能であることを示す。 我々のフレームワークは、進化的パイプライン内でLSMをインテリジェントな提案エージェントとして使用し、暗黙のクロスオーバーと突然変異操作を実行するように誘導する。 MatLLMSearchは、機械学習の原子間ポテンシャルによって78.38%の準安定率と31.7%のDFT認証安定性を達成している。
  論文  参考訳（メタデータ） (2025-02-28T10:41:16Z)
• Orientation-aware interaction-based deep material network in polycrystalline materials modeling [0.0]
  ディープマテリアルネットワーク(DMN)は効率的なサロゲートモデルとして提案されているが、テクスチャの進化を捉えるには不十分である。 ヒルマンデル原理に基づく指向性認識機構と相互作用機構を組み込んだ指向性認識インタラクションベースディープマテリアルネットワーク(ODMN)を提案する。 以上の結果から, ODMNは複雑な塑性変形下での機械的応答とテクスチャ進化を正確に予測し, 多結晶材料へのDMNの適用性を高めることが示唆された。
  論文  参考訳（メタデータ） (2025-02-04T16:25:15Z)
• 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)
• Compositional Representation of Polymorphic Crystalline Materials [56.80318252233511]
  PCRLは,構成の確率論的モデリングを用いて,利用可能な構造情報から多型を抽出する手法である。 16のデータセットに対する広範囲な評価は、構成表現の学習におけるPCRLの有効性を示す。
  論文  参考訳（メタデータ） (2023-11-17T20:34:28Z)
• 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)
• Crystal-GFN: sampling crystals with desirable properties and constraints [103.79058968784163]
  本稿では,結晶構造の生成モデルであるCrystal-GFNを紹介する。 本稿では,MatBenchで学習した新しいプロキシ機械学習モデルにより予測された結晶構造の原子1個あたりの生成エネルギーを目的として利用する。 その結果、Crystal-GFNは低(中間-3.1 eV/原子)で生成エネルギーが予測される非常に多様な結晶をサンプリングできることが示された。
  論文  参考訳（メタデータ） (2023-10-07T21:36:55Z)

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。