論文の概要: Crystalite: A Lightweight Transformer for Efficient Crystal Modeling

• arxiv url: http://arxiv.org/abs/2604.02270v1
• Date: Thu, 02 Apr 2026 17:03:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:10.933401
• Title: Crystalite: A Lightweight Transformer for Efficient Crystal Modeling
• Title（参考訳）: クリスタルライト-高効率結晶モデリング用軽量変圧器
• Authors: Tin Hadži Veljković, Joshua Rosenthal, Ivor Lončarić, Jan-Willem van de Meent,
• Abstract要約: Crystaliteは2つの単純な誘導バイアスを中心に構築された軽量拡散変換器である。 GEMは、加法的幾何学的バイアスを通じて、周期的な最小画像対の幾何学を直接注意に注入する。 結晶構造予測ベンチマークとデノボ生成性能の最先端結果が得られる。
• 参考スコア（独自算出の注目度）: 6.443928036308759
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative models for crystalline materials often rely on equivariant graph neural networks, which capture geometric structure well but are costly to train and slow to sample. We present Crystalite, a lightweight diffusion Transformer for crystal modeling built around two simple inductive biases. The first is Subatomic Tokenization, a compact chemically structured atom representation that replaces high-dimensional one-hot encodings and is better suited to continuous diffusion. The second is the Geometry Enhancement Module (GEM), which injects periodic minimum-image pair geometry directly into attention through additive geometric biases. Together, these components preserve the simplicity and efficiency of a standard Transformer while making it better matched to the structure of crystalline materials. Crystalite achieves state-of-the-art results on crystal structure prediction benchmarks, and de novo generation performance, attaining the best S.U.N. discovery score among the evaluated baselines while sampling substantially faster than geometry-heavy alternatives.
• Abstract（参考訳）: 結晶材料の生成モデルは、しばしば等変グラフニューラルネットワークに依存し、幾何学的構造をよく捉えるが、訓練に要し、サンプリングが遅くなる。 結晶モデルのための軽量拡散変換器であるCrystaliteについて述べる。 第一にサブアトミック・トケン化(Subatomic Tokenization)は、高次元のワンホット符号化を置き換えるコンパクトな化学構造を持つ原子表現であり、連続拡散に適している。 2つ目はGeometry Enhancement Module (GEM) で、これは加法的な幾何学的バイアスを通じて、周期的な最小画像対の幾何学を直接注意に注入する。 これらの部品は、標準変圧器の単純さと効率を保ちながら、結晶構造によく適合する。 結晶構造予測ベンチマークの最先端結果とデノボ生成性能は評価ベースラインの中で最高のS.U.N.発見スコアを達成し、幾何重みのある代替品よりもかなり速くサンプリングする。

関連論文リスト

• CrystalDiT: A Diffusion Transformer for Crystal Generation [52.45780803467369]
  本稿では,結晶構造生成のための拡散変圧器であるCrystalDiTについて述べる。 CrystalDiTは、格子と原子特性を単一の相互依存系として扱う、強力な誘導バイアスを課す統一トランスフォーマーを使用している。
  論文  参考訳（メタデータ） (2025-08-13T12:53:32Z)
• Invariant Tokenization of Crystalline Materials for Language Model Enabled Generation [82.91073155506277]
  鍵となるステップは、3次元結晶構造を1次元配列に変換して言語モデル(LM)で処理することだ。 Mat2Seqは3次元結晶構造を1次元配列に変換し、同じ結晶の異なる数学的記述が単一のユニークなシーケンスで表現されることを保証する。 実験結果から,Mate2Seqは,従来の手法と比較して,結晶構造生成において有望な性能を発揮することがわかった。
  論文  参考訳（メタデータ） (2025-02-28T20:02:53Z)
• CrystalGRW: Generative Modeling of Crystal Structures with Targeted Properties via Geodesic Random Walks [1.2141052067494946]
  本稿では,密度汎関数理論で検証された安定位相を予測できる拡散モデルであるCrystalGRWを紹介する。 CrystalGRWは、既存のモデルに匹敵する精度で基底状態に近い現実的な結晶構造を生成する能力を示す。 これらの特徴は、安定で対称性に富んだ結晶候補を実験的に検証することで、材料発見と逆設計を加速する。
  論文  参考訳（メタデータ） (2025-01-15T18:26:35Z)
• Space Group Informed Transformer for Crystalline Materials Generation [2.1837453116459824]
  本稿では,変圧器を用いた空間群制御結晶生成のための自己回帰モデルであるCrystalFormerを紹介する。 空間群対称性を明示的に取り入れることで、CrystalFormerは結晶空間の有効複雑さを大幅に減らす。 CrystalFormerは、結晶材料全体のモデルとして有望なアーキテクチャであり、材料発見とデザインの新しい時代を告げている。
  論文  参考訳（メタデータ） (2024-03-23T06:01:45Z)
• Complete and Efficient Graph Transformers for Crystal Material Property Prediction [53.32754046881189]
  結晶構造は、3次元空間の正則格子に沿って繰り返される原始単位セル内の原子塩基によって特徴づけられる。 本稿では,各原子の格子に基づく表現を確立するために,単位細胞の周期パターンを利用する新しい手法を提案する。 結晶材料に特化して設計されたSE(3)トランスであるComFormerを提案する。
  論文  参考訳（メタデータ） (2024-03-18T15:06:37Z)
• 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)
• 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。