論文の概要: Generative Inversion of Spectroscopic Data for Amorphous Structure Elucidation

• arxiv url: http://arxiv.org/abs/2603.23210v1
• Date: Tue, 24 Mar 2026 13:53:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.510155
• Title: Generative Inversion of Spectroscopic Data for Amorphous Structure Elucidation
• Title（参考訳）: アモルファス構造解明のための分光データの生成インバージョン
• Authors: Jiawei Guo, Daniel Schwalbe-Koda,
• Abstract要約: 本稿では,多モード分光計測を現実的な原子構造に変換する生成フレームワークであるGLASSを紹介する。 スコアベースモデルは、低忠実度データから事前構造を学習し、微分可能なスペクトルターゲットに条件付けられた分布外構造をサンプリングする。 我々はGLASSを用いて,アモルファスシリコンのパラ結晶性,硫黄の液液相転移,球状アモルファス氷の3つの実験問題を合理化している。
• 参考スコア（独自算出の注目度）: 4.908054254196327
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Determining atomistic structures from characterization data is one of the most common yet intricate problems in materials science. Particularly in amorphous materials, proposing structures that balance realism and agreement with experiments requires expert guidance, good interatomic potentials, or both. Here, we introduce GLASS, a generative framework that inverts multi-modal spectroscopic measurements into realistic atomistic structures without knowledge of the potential energy surface. A score-based model learns a structural prior from low-fidelity data and samples out-of-distribution structures conditioned on differentiable spectral targets. Reconstructions using pair distribution functions (PDFs), X-ray absorption spectroscopy, and diffraction measurements quantify the complementarity between spectral modalities and demonstrate that PDFs is the most informative probe for our framework. We use GLASS to rationalize three contested experimental problems: paracrystallinity in amorphous silicon, a liquid-liquid phase transition in sulfur, and ball-milled amorphous ice. In each case, generated structures reproduce experimental measurements and reveal mechanisms inaccessible to diffraction analysis alone.
• Abstract（参考訳）: キャラクタリゼーションデータから原子構造を決定することは、材料科学において最も一般的だが複雑な問題の一つである。 特にアモルファス材料では、現実主義と実験との調和のバランスをとる構造を提案するには、専門家の指導、優れた原子間ポテンシャル、あるいはその両方が必要である。 本稿では、多モード分光計測をポテンシャルエネルギー表面の知識のない現実的な原子構造に変換する生成フレームワークであるGLASSを紹介する。 スコアベースモデルは、低忠実度データから事前構造を学習し、微分可能なスペクトルターゲットに条件付けられた分布外構造をサンプリングする。 対分布関数(PDF)、X線吸収分光法、回折測定を用いた再構成は、スペクトルの相補性を定量化し、PDFが我々のフレームワークにとって最も有意義なプローブであることを実証する。 我々はGLASSを用いて,アモルファスシリコンのパラ結晶性,硫黄の液液相転移,球状アモルファス氷の3つの実験問題を合理化している。 それぞれの場合、生成された構造は実験的な測定を再現し、回折分析だけでは到達できないメカニズムを明らかにする。

関連論文リスト

• Seek and You Shall Fold [0.0]
  実験観測変数のほとんどの予測子は微分不可能であり、勾配に基づく条件付きサンプリングとは相容れない。 これは特に核磁気共鳴において制限されており、化学シフトのような豊富なデータは生成的モデリングに直接統合することは困難である。 本研究では, タンパク質生成モデルの非分化誘導のためのフレームワークを導入し, 遺伝的アルゴリズムを用いて, 連続拡散型ジェネレータとブラックボックスの目的を結合する。
  論文  参考訳（メタデータ） (2025-11-17T11:07:49Z)
• Loss-Complexity Landscape and Model Structure Functions [53.92822954974537]
  我々はコルモゴロフ構造関数 $h_x(alpha)$ を双対化するためのフレームワークを開発する。 情報理論構造と統計力学の数学的類似性を確立する。 構造関数と自由エネルギーの間のルジャンドル・フェンシェル双対性を明確に証明する。
  論文  参考訳（メタデータ） (2025-07-17T21:31:45Z)
• DiffSpectra: Molecular Structure Elucidation from Spectra using Diffusion Models [68.19129717255053]
  本稿では、分子構造解明を条件生成プロセスとして定式化する生成フレームワークであるDiffSpectraについて述べる。 我々の実験では、DiffSpectraが分子構造を正確に解明し、40.76%のトップ-1と99.49%のトップ10を達成している。
  論文  参考訳（メタデータ） (2025-07-09T13:57:20Z)
• Multiscale guidance of AlphaFold3 with heterogeneous cryo-EM data [33.562685684224995]
  低温電子顕微鏡(cryo-EM)は、近原性構造不均一性をイメージングするための強力なツールとして登場した。 ここでは, タンパク質構造予測モデルを用いて学習したCryo-EM密度マップと, 豊富な配列と生物物理学的先行データを組み合わせる。 我々の方法であるCryoBoltzは、大域的および局所的な構造制約を用いて、事前訓練されたタンパク質構造予測モデルのサンプリング軌跡を導出する。
  論文  参考訳（メタデータ） (2025-06-04T22:16:27Z)
• Causal Discovery from Data Assisted by Large Language Models [50.193740129296245]
  知識駆動発見のために、実験データと事前のドメイン知識を統合することが不可欠である。 本稿では、高分解能走査透過電子顕微鏡(STEM)データと大規模言語モデル(LLM)からの洞察を組み合わせることで、このアプローチを実証する。 SmドープBiFeO3(SmBFO)におけるChatGPTをドメイン固有文献に微調整することにより、構造的、化学的、分極的自由度の間の因果関係をマッピングするDAG(Directed Acyclic Graphs)の隣接行列を構築する。
  論文  参考訳（メタデータ） (2025-03-18T02:14:49Z)
• Spectroscopy-Guided Discovery of Three-Dimensional Structures of Disordered Materials with Diffusion Models [6.97950396242977]
  対象物から乱れた材料の3次元構造を予測するための拡散モデルに基づく新しいフレームワークを提案する。 我々のモデルは、特定のXANESスペクトルの原子配列を調整するための生成過程を制御できることを示します。 本研究は, 材料評価と原子構造決定のギャップを埋める上で, 重要な歩みを示している。
  論文  参考訳（メタデータ） (2023-12-09T05:40:10Z)
• 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)
• Decoding Structure-Spectrum Relationships with Physically Organized Latent Spaces [6.36075035468233]
  構造スペクトル関係の発見のための半教師付き機械学習手法を開発し,実証した。 本手法は,個々の構造記述子とスペクトル傾向の1対1マッピングを構成する。 RankAAE法は連続的かつ解釈可能な潜在空間を生成し、各次元は個々の構造記述子を追跡することができる。
  論文  参考訳（メタデータ） (2023-01-11T21:30:22Z)

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。