論文の概要: Multimodal Transformer for Sample-Aware Prediction of Metal-Organic Framework Properties

• arxiv url: http://arxiv.org/abs/2604.19383v1
• Date: Tue, 21 Apr 2026 12:06:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.753926
• Title: Multimodal Transformer for Sample-Aware Prediction of Metal-Organic Framework Properties
• Title（参考訳）: 金属-有機組織特性のサンプル認識予測のためのマルチモーダル変圧器
• Authors: Seunghee Han, Jaewoong Lee, Jihan Kim,
• Abstract要約: 金属有機フレームワーク(MOF)は、機械学習に基づくプロパティ予測の主要なターゲットである。 ほとんどのモデルは、単一のフレームワーク表現が単一のプロパティ値にマップされていると仮定します。 ここでは、MOF特性のサンプル認識のための実験X線回折統合変換器(EXIT)を紹介する。
• 参考スコア（独自算出の注目度）: 4.753343044085964
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Metal-organic frameworks (MOFs) are a major target of machine-learning-based property prediction, yet most models assume that a single framework representation maps to a single property value. This assumption becomes problematic for experimental MOFs, where samples reported as the same framework can exhibit different properties because of differences in crystallinity, phase purity, defects, and other sample-dependent factors. Here we introduce Experimental X-ray Diffraction Integrated Transformer (EXIT), a multimodal transformer for sample-aware prediction of MOF properties that combines MOFid with X-ray diffraction (XRD). In EXIT, MOFid encodes MOF identity, whereas XRD provides complementary information about the experimentally realized sample state. EXIT is pre-trained on one million hypothetical MOFs with simulated XRD to learn transferable representations, leading to improved downstream performance relative to existing approaches. EXIT is fine-tuned on literature-derived experimental datasets for surface area and pore volume prediction. Incorporating experimental XRD improves predictive performance relative to models without experimental XRD, and attention analysis and sample-level case studies further show that EXIT assigns different predictions to samples sharing the same MOF identity when their XRD patterns differ. These results establish a practical step from framework-aware to sample-aware MOF property prediction and highlight the value of incorporating experimental characterization into porous materials informatics.
• Abstract（参考訳）: メタ有機フレームワーク(MOF)は、機械学習に基づくプロパティ予測の主要なターゲットであるが、ほとんどのモデルは、単一のフレームワーク表現が単一のプロパティ値にマップされていると仮定している。 この仮定は、同じフレームワークとして報告されたサンプルが結晶性、相純度、欠陥、その他のサンプル依存因子の違いにより異なる性質を示すことができる実験MOFにとって問題となる。 ここでは、MOFidとX線回折を組み合わせたMOF特性のサンプル認識予測用マルチモーダルトランスであるEXIT(Experiment X-ray Diffraction Integrated Transformer)を紹介する。 EXITでは、MOFidはMOFアイデンティティをエンコードするが、XRDは実験的に実現されたサンプル状態に関する補完情報を提供する。 EXITはXRDを模擬した100万の仮説MOFで事前訓練され、転送可能な表現を学習する。 EXITは、文学から派生した表面積と細孔体積予測のための実験データセットに基づいて微調整される。 実験用XRDを組み込むことにより,実験用XRDのないモデルと比較して予測性能が向上し,注意分析とサンプルレベルのケーススタディにより,XRDパターンが異なる場合,EXITは同一のMOFアイデンティティを共有するサンプルに対して,異なる予測を割り当てることが示された。 これらの結果は,フレームワーク認識からサンプル認識MOF特性予測への実践的なステップを確立し,多孔質材料情報学に実験的特徴を組み込むことの価値を強調した。

関連論文リスト

• FlexMS is a flexible framework for benchmarking deep learning-based mass spectrum prediction tools in metabolomics [22.314786276794717]
  化学分子の同定と性質予測は、薬物発見と物質科学の発展において重要な役割を担っている。 深層学習モデルは分子構造スペクトルを予測できるが、全体的な評価は難しい。 我々の貢献は、質量スペクトル予測における多様なモデルアーキテクチャの構築と評価のためのベンチマークフレームワークFlexMSの作成である。
  論文  参考訳（メタデータ） (2026-02-26T10:05:01Z)
• Multi-resolution Physics-Aware Recurrent Convolutional Neural Network for Complex Flows [2.7233737247962786]
  MRPARCv2は、対流拡散反応方程式の構造を埋め込んで複雑な流れをモデル化するように設計されている。 The Well Multi-physicsベンチマークレポジトリの2次元乱流放射層データセットを用いて,そのモデルの評価を行った。
  論文  参考訳（メタデータ） (2025-12-04T16:19:10Z)
• Machine Learning-Based Prediction of Metal-Organic Framework Materials: A Comparative Analysis of Multiple Models [2.089191490381739]
  金属-有機系フレームワーク (MOF) は様々な用途に期待できる材料として登場してきた。 本研究は,MOFの材料特性を予測するための機械学習手法に関する包括的研究である。
  論文  参考訳（メタデータ） (2025-07-06T18:10:00Z)
• XxaCT-NN: Structure Agnostic Multimodal Learning for Materials Science [0.27185251060695437]
  元素組成とX線回折(XRD)から直接学習するスケーラブルなフレームワークを提案する。 アーキテクチャは、モダリティ固有のエンコーダとクロスアテンション融合モジュールを統合し、500万サンプルのアレクサンドリアデータセットでトレーニングする。 本研究は, 材料科学の基礎モデルとして, 無構造, 実験的な基礎モデルへの道のりを定めている。
  論文  参考訳（メタデータ） (2025-06-27T21:45:56Z)
• Provable Statistical Rates for Consistency Diffusion Models [87.28777947976573]
  最先端の性能にもかかわらず、拡散モデルは、多くのステップが伴うため、遅いサンプル生成で知られている。 本稿では, 整合性モデルに関する最初の統計理論に寄与し, 分散不整合最小化問題としてトレーニングを定式化している。
  論文  参考訳（メタデータ） (2024-06-23T20:34:18Z)
• Accurate and Data-Efficient Micro-XRD Phase Identification Using Multi-Task Learning: Application to Hydrothermal Fluids [14.094779042554729]
  本研究は,制約を克服するためにマルチタスク学習アーキテクチャを用いたディープラーニングの可能性を示す。 我々はMTLモデルを訓練し、ラベル付き実験データの必要性を最小限に抑え、mu-XRDパターンの位相情報を同定した。 生および未加工のXRDパターンを解析するために調整されたMTLモデルは、前処理データの解析モデルと密な性能を達成した。
  論文  参考訳（メタデータ） (2024-03-15T06:23:30Z)
• Beyond DAGs: A Latent Partial Causal Model for Multimodal Learning [80.44084021062105]
  本稿では,非方向エッジで連結された2つの潜在結合変数を特徴とする,多モーダルデータに対する新しい潜在部分因果モデルを提案する。 特定の統計的仮定の下では、多モーダル・コントラッシブ・ラーニングによって学習された表現が、自明な変換までの潜在結合変数に対応することを示す。 事前トレーニングされたCLIPモデルの実験は、非絡み合った表現を具現化し、数ショットの学習を可能にし、さまざまな現実世界のデータセットにわたるドメインの一般化を改善する。
  論文  参考訳（メタデータ） (2024-02-09T07:18:06Z)
• On Least Square Estimation in Softmax Gating Mixture of Experts [78.3687645289918]
  決定論的MoEモデルに基づく最小二乗推定器(LSE)の性能について検討する。 我々は,多種多様な専門家関数の収束挙動を特徴付けるために,強い識別可能性という条件を確立する。 本研究は,専門家の選択に重要な意味を持つ。
  論文  参考訳（メタデータ） (2024-02-05T12:31:18Z)
• Machine learning enabled experimental design and parameter estimation for ultrafast spin dynamics [54.172707311728885]
  機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。 本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。 数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-03T06:19:20Z)

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。