論文の概要: XANE(3): An E(3)-Equivariant Graph Neural Network for Accurate Prediction of XANES Spectra from Atomic Structures

• arxiv url: http://arxiv.org/abs/2604.12140v1
• Date: Mon, 13 Apr 2026 23:42:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.161861
• Title: XANE(3): An E(3)-Equivariant Graph Neural Network for Accurate Prediction of XANES Spectra from Atomic Structures
• Title（参考訳）: XANE(3):原子構造からのXANESスペクトルの正確な予測のためのE(3)等価グラフニューラルネットワーク
• Authors: Vitor F. Grizzi, Luke N. Pretzie, Jiayi Xu, Cong Liu,
• Abstract要約: XANE(3)は、原子構造から直接X線吸収近接端構造(XANES)を予測するための物理ベースのE(3)等変グラフニューラルネットワークである。 酸化鉄表面面の5,941FDMNESシミュレーションのデータセット上でモデルを評価し,テストセット上でのスペクトル平均2乗誤差を1.0×10-3$とした。
• 参考スコア（独自算出の注目度）: 5.177624503826816
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present XANE(3), a physics-based E(3)-equivariant graph neural network for predicting X-ray absorption near-edge structure (XANES) spectra directly from atomic structures. The model combines tensor-product message passing with spherical harmonic edge features, absorber-query attention pooling, custom equivariant layer normalization, adaptive gated residual connections, and a spectral readout based on a multi-scale Gaussian basis with an optional sigmoidal background term. To improve line-shape fidelity, training is performed with a composite objective that includes pointwise spectral reconstruction together with first- and second-derivative matching terms. We evaluate the model on a dataset of 5,941 FDMNES simulations of iron oxide surface facets and obtain a spectrum mean squared error of $1.0 \times 10^{-3}$ on the test set. The model accurately reproduces the main edge structure, relative peak intensities, pre-edge features, and post-edge oscillations. Ablation studies show that the derivative-aware objective, custom equivariant normalization, absorber-conditioned attention pooling, adaptive gated residual mixing, and global background term each improve performance. Interestingly, a capacity-matched scalar-only variant achieves comparable pointwise reconstruction error but reduced derivative-level fidelity, indicating that explicit tensorial channels are not strictly required for low intensity error on this dataset, although they remain beneficial for capturing finer spectral structure. These results establish XANE(3) as an accurate and efficient surrogate for XANES simulation and offer a promising route toward accelerated spectral prediction, ML-assisted spectroscopy, and data-driven materials discovery.
• Abstract（参考訳）: 我々は、原子構造から直接X線吸収近接端構造(XANES)スペクトルを予測する物理ベースのE(3)等変グラフニューラルネットワークであるXANE(3)を提案する。 このモデルは、テンソル積のメッセージパッシングと球面調和エッジの特徴、アブソーバ-クエリアテンションプーリング、カスタム同変層正規化、適応ゲート残差接続、および多スケールガウス基底に基づくスペクトル読み出しをオプションのシグモダル背景項で結合する。 ライン形状の忠実度を向上させるため、第1および第2微分整合項とともに、点方向のスペクトル再構成を含む複合目標を用いてトレーニングを行う。 酸化鉄表面面の5,941FDMNESシミュレーションのデータセット上でモデルを評価し,テストセット上でのスペクトル平均2乗誤差を1.0<times 10^{-3}$とする。 このモデルは、主エッジ構造、相対ピーク強度、前エッジ特性、後エッジ振動を正確に再現する。 アブレーション研究により, 微分認識目的, カスタム同変正規化, 吸収体条件付アテンションプーリング, 適応ゲート残差混合, およびグローバルバックグラウンド項がそれぞれ性能を向上させることがわかった。 興味深いことに、キャパシティマッチングされたスカラーのみの変種は、同等のポイントワイド再構成誤差を達成できるが、微分レベルの忠実度を低下させるため、このデータセットの低強度誤差に対して明示的なテンソルチャネルは厳密には必須ではないが、より微細なスペクトル構造を捉えるのに有用であることを示している。 これらの結果は、XANE(3)をXANESシミュレーションの正確かつ効率的なサロゲートとして確立し、加速スペクトル予測、MLアシスト分光、およびデータ駆動材料発見への有望な経路を提供する。

関連論文リスト

• Structure-Informed Estimation for Pilot-Limited MIMO Channels via Tensor Decomposition [51.56484100374058]
  本稿では、スパース観測から低ランクテンソル完備化としてパイロットリミテッドチャネル推定を定式化する。 合成チャネル実験による最小二乗平均二乗誤差(NMSE)の最小二乗平均誤差(LS)に対する改善 DeepMIMO線トレーシングチャネルの評価では、純粋なテンソル法よりも24-44%NMSEが減少している。
  論文  参考訳（メタデータ） (2026-02-03T23:38:05Z)
• Data-Driven Graph Filters via Adaptive Spectral Shaping [10.449640808601199]
  本稿では,グラフフィルタリングのためのデータ駆動型フレームワークであるAdaptive Spectral Shapingを紹介する。 このフレームワークは、グラフ信号処理パイプラインとグラフニューラルネットワークにプラグインする、コンパクトなスペクトルモジュールを提供する。
  論文  参考訳（メタデータ） (2026-02-03T16:20:49Z)
• Variational Autoencoder with Normalizing flow for X-ray spectral fitting [0.0]
  ブラックホールX線バイナリ(BHBs)は、極度の重力環境における降着に関する物理的制約を与えるためにスペクトルフィッティングを用いて研究することができる。 本稿では,正規化フローを持つ変分オートエンコーダを用いて,物理的潜在空間の採用を訓練した確率モデルを提案する。
  論文  参考訳（メタデータ） (2026-01-12T11:28:40Z)
• The Vekua Layer: Exact Physical Priors for Implicit Neural Representations via Generalized Analytic Functions [0.0]
  Inlicit Neural Representations (INR)は、物理場をパラメータ化するための強力なパラダイムとして登場した。 一般化分析理論に基づく微分スペクトル法を導入する。 本手法は物理インフォームドスペクトルフィルタとして効果的に機能することを示す。
  論文  参考訳（メタデータ） (2025-12-11T21:57:21Z)
• Latent Dirichlet Transformer VAE for Hyperspectral Unmixing with Bundled Endmembers [1.9336815376402718]
  ハイパースペクトルアンミックスのための潜在ディリクレ変換器変分オートエンコーダ(LDVAE-T)を提案する。 我々のモデルは、トランスフォーマーアーキテクチャのグローバルコンテキストモデリング機能と、潜在空間に先立ってディリクレによって課される物理的に意味のある制約を組み合わせる。 我々は、Samson、Jasper Ridge、HYDICE Urbanの3つのベンチマークデータセットに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2025-11-21T20:15:37Z)
• SPECTRA: Spectral Target-Aware Graph Augmentation for Imbalanced Molecular Property Regression [45.62053904749856]
  SPECTRAはSpectral Target-Awareグラフ拡張フレームワークである。 スペクトル領域で現実的な分子グラフを生成する。 競合全体のMAEを維持しながら、関連するターゲット範囲のエラーを継続的に改善する。
  論文  参考訳（メタデータ） (2025-11-06T21:57:21Z)
• 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)
• Spectra-to-Structure and Structure-to-Spectra Inference Across the Periodic Table [49.65586812435899]
  XAStructは、結晶構造からXASスペクトルを予測し、XAS入力から局所構造記述子を推測できる学習ベースのシステムである。 XAStructは、周期表全体にわたって70以上の要素にまたがる大規模なデータセットでトレーニングされている。
  論文  参考訳（メタデータ） (2025-06-13T15:58:05Z)
• Geometric Algebra Planes: Convex Implicit Neural Volumes [70.12234371845445]
  GA-Planes はスパース低ランク係数と低分解能行列と等価であることを示す。 また,GA-Planeは既存の表現にも適用可能であることを示す。
  論文  参考訳（メタデータ） (2024-11-20T18:21:58Z)
• Holistic Physics Solver: Learning PDEs in a Unified Spectral-Physical Space [54.13671100638092]
  Holistic Physics Mixer (HPM) は、スペクトルと物理情報を統一された空間に統合するためのフレームワークである。 我々はHPMが精度と計算効率の両面で最先端の手法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2024-10-15T08:19:39Z)

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。