論文の概要: AMShortcut: An Inference- and Training-Efficient Inverse Design Model for Amorphous Materials

• arxiv url: http://arxiv.org/abs/2603.29812v1
• Date: Tue, 31 Mar 2026 14:39:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:03.726036
• Title: AMShortcut: An Inference- and Training-Efficient Inverse Design Model for Amorphous Materials
• Title（参考訳）: AMShortcut: アモルファス材料の推論および学習効率の良い逆設計モデル
• Authors: Yan Lin, Jonas A. Finkler, Tao Du, Jilin Hu, Morten M. Smedskjaer,
• Abstract要約: アモルファス材料に対する推論およびトレーニング効率の高い確率的生成モデルであるAMShortcutを導入する。 AMShortcutは、いくつかのサンプリングステップのみで、アモルファス材料中の様々な短距離構造と中距離構造の正確な推測を可能にする。
• 参考スコア（独自算出の注目度）: 8.97798094422526
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Amorphous materials are solids that lack long-range atomic order but possess complex short- and medium-range order. Unlike crystalline materials that can be described by unit cells containing few up to hundreds of atoms, amorphous materials require larger simulation cells with at least hundreds or often thousands of atoms. Inverse design of amorphous materials with probabilistic generative models aims to generate the atomic positions and elements of amorphous materials given a set of desired properties. It has emerged as a promising approach for facilitating the application of amorphous materials in domains such as energy storage and thermal management. In this paper, we introduce AMShortcut, an inference- and training-efficient probabilistic generative model for amorphous materials. AMShortcut enables accurate inference of diverse short- and medium-range structures in amorphous materials with only a few sampling steps, mitigating the need for an excessive number of sampling steps that hinders inference efficiency. AMShortcut can be trained once with all relevant properties and perform inference conditioned on arbitrary combinations of desired properties, mitigating the need for training one model for each combination. Experiments on three amorphous materials datasets with diverse structures and properties demonstrate that AMShortcut achieves its design goals.
• Abstract（参考訳）: アモルファス材料は、長距離原子秩序を持たないが、複雑な短距離と中距離の秩序を持つ固体である。 数百個の原子を含む単位細胞で説明できる結晶材料とは異なり、アモルファス材料は少なくとも数百または数千個の原子を持つより大きなシミュレーション細胞を必要とする。 確率的生成モデルを持つアモルファス材料の逆設計は、望ましい性質のセットを与えられたアモルファス材料の原子位置と元素を生成することを目的としている。 エネルギー貯蔵や熱管理といった領域における非晶質材料の適用を促進するための有望なアプローチとして登場した。 本稿では,アモルファス材料に対する推論およびトレーニング効率の高い確率的生成モデルであるAMShortcutを紹介する。 AMShortcutは、わずかなサンプリングステップだけでアモルファス材料中の様々な短距離構造と中距離構造の正確な推測を可能にし、推論効率を阻害する過剰なサンプリングステップの必要性を緩和する。 AMShortcutは、すべての関連するプロパティで一度トレーニングし、望ましいプロパティの任意の組み合わせを条件に推論を実行し、それぞれの組み合わせに対して1つのモデルをトレーニングする必要性を軽減できる。 多様な構造と特性を持つ3つのアモルファス材料データセットの実験は、AMShortcutが設計目標を達成することを示す。

関連論文リスト

• Materium: An Autoregressive Approach for Material Generation [0.0]
  マテリウム(Materium)は、結晶構造を生成するための自己回帰変換器である。 原子を正確な分数座標に配置し、高速でスケーラブルな生成を可能にする。 モデルは1つのGPUで数時間でトレーニングできる。
  論文  参考訳（メタデータ） (2025-12-08T12:14:42Z)
• A Generative Diffusion Model for Amorphous Materials [2.007205804138591]
  従来のシミュレーションの1000倍の速度でアモルファス構造を確実に生成する拡散モデルを提案する。 条件生成により、10$-2$ K/psの低い冷却速度で大型構造物をサンプリングし、延性-脆性遷移とメソポーラスシリカ構造を明らかにすることができた。
  論文  参考訳（メタデータ） (2025-07-07T14:08:10Z)
• Tensor Completion for Surrogate Modeling of Material Property Prediction [0.5735035463793009]
  我々は、テンソル完備化問題として、ある材料特性の最適化をモデル化する。 データセットの構造を活用し、大量の素材構成の組み合わせをナビゲートします。 本実験では, 材料特性予測タスク全体にわたって, 10～20%の誤差低減を実現するテンソル完成法について検討した。
  論文  参考訳（メタデータ） (2025-01-30T04:59:21Z)
• Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
  本稿では, イオン伝導体の迅速かつ信頼性の高いスクリーニング手法として, 普遍的な原子間ポテンシャルの解析手法を提案する。 第一原理計算では,10種中8種が室温で超イオン性であることが確認された。 本手法は, 機械学習電位によって駆動される分子動力学と比較して約50倍の高速化係数を達成し, 第一原理分子動力学に比べて少なくとも3,000倍高速である。
  論文  参考訳（メタデータ） (2024-11-11T09:01:36Z)
• 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)
• 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)
• Deep Reinforcement Learning for Inverse Inorganic Materials Design [0.09208007322096533]
  逆無機材料設計のための強化学習(RL)手法を提案する。 本モデルは, 化学多様性と特異性を維持しながら, 電荷や電子陰性性中立性などの化学ガイドラインを学習する。 このアプローチを用いて、モデルが有望な化合物を予測し、無機物質発見のための最適化された化学設計空間を提案する。
  論文  参考訳（メタデータ） (2022-10-21T13:06:19Z)
• How to See Hidden Patterns in Metamaterials with Interpretable Machine Learning [82.67551367327634]
  我々は,材料単位セルのパターンを見つけるための,解釈可能な多分解能機械学習フレームワークを開発した。 具体的には、形状周波数特徴と単位セルテンプレートと呼ばれるメタマテリアルの2つの新しい解釈可能な表現を提案する。
  論文  参考訳（メタデータ） (2021-11-10T21:19:02Z)
• BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
  機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。 ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
  論文  参考訳（メタデータ） (2021-06-08T10:14:57Z)

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。