論文の概要: Crystal structure prediction using graph neural combinatorial optimization
- arxiv url: http://arxiv.org/abs/2604.23921v1
- Date: Mon, 27 Apr 2026 00:34:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-28 17:12:07.678355
- Title: Crystal structure prediction using graph neural combinatorial optimization
- Title（参考訳）: グラフニューラル組合せ最適化を用いた結晶構造予測
- Authors: Stavros Gerolymatos, J. Kyle Brubaker, Martin J. A. Schuetz, Vladimir V. Gusev,
- Abstract要約: 結晶材料は技術応用で広く使われているが、その発見は依然として重要な課題である。
これらの性質は構造によって駆動されるため、結晶構造予測(CSP)法はこの過程を加速する計算手法において中心的な役割を果たす。
原子配置問題に対するニューラル最適化手法を導入し,その後,グラフニューラルネットワーク(GNN)に基づくCSPを提案する。
提案手法は, 従来の手法よりも優れており, 様々な化学組成にまたがる市販の最適化解法と競合することを示す。
- 参考スコア（独自算出の注目度）: 2.656984940355681
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Crystalline materials are widely used in technological applications, yet their discovery remains a significant challenge. As their properties are driven by structure, crystal structure prediction (CSP) methods play a central role in computational approaches aiming to accelerate this process. Previously, CSP has been approached from a combinatorial optimization perspective, with the core challenge of allocating atoms on a fine grid of predefined discrete positions within a unit cell while minimizing their interaction energy. Exact mathematical optimization methods provide guaranteed solutions, but they become computationally expensive for large-scale instances, where the atomic configuration space grows rapidly, particularly in the absence of additional symmetry constraints. In this work, we introduce a neural combinatorial optimization approach to the atom allocation challenge and, subsequently, CSP, based on graph neural networks (GNNs), which can effectively sample from the distribution of feasible structures in an unsupervised manner. We leverage expander graphs to construct computational graphs over discrete positions that capture both short- and long-range interactions between atoms, and employ the Gumbel-Sinkhorn approach to enforce the desired stoichiometry of the generated structures. We demonstrate that our method outperforms classical heuristic approaches and is competitive with a commercial optimization solver across a range of chemical compositions. This enables the use of ever-expanding GPU infrastructure to tackle the inherent combinatorial challenges of CSP, paving the way for scaling beyond current capabilities.
- Abstract（参考訳）: 結晶材料は技術応用で広く使われているが、その発見は依然として重要な課題である。
これらの性質は構造によって駆動されるため、結晶構造予測(CSP)法はこの過程を加速する計算手法において中心的な役割を果たす。
これまで、CSPは組合せ最適化の観点からアプローチされてきたが、その中心となる課題は、相互作用エネルギーを最小化しながら、単位セル内で定義された離散的な位置の細い格子上に原子を配置することである。
厳密な数学的最適化法は保証された解を提供するが、特に追加の対称性の制約がない場合、原子配置空間が急速に増大する大規模インスタンスでは計算コストがかかる。
本研究では、原子配置問題に対するニューラルネットワークの組合せ最適化手法を導入し、その後、グラフニューラルネットワーク(GNN)に基づくCSPを導入し、教師なしの方法で実現可能な構造の分布を効果的にサンプリングする。
我々は展開グラフを利用して、原子間の短距離相互作用と長距離相互作用の両方を捉える離散的な位置上の計算グラフを構築し、Gumbel-Sinkhorn アプローチを用いて生成した構造の所望の確率論を強制する。
提案手法は古典的ヒューリスティック手法よりも優れており,様々な化学組成の商業的最適化解法と競合することを示す。
これにより、拡張し続けるGPUインフラストラクチャを使用することで、CSPの固有の組合せ的課題に対処し、現在の機能を越えたスケーリングの道を開くことができる。
関連論文リスト
- Auto-regressive Neural Quantum State Sampling for Selected Configuration Interaction [0.0]
本稿では,自己回帰型ニューラルネットワーク(ARNN)を用いて,地中検索のための部分空間拡張を誘導するアルゴリズムを提案する。
本アルゴリズムは,学習した基底状態統計量から,コンパクトな変分部分空間を効率的に構築する。
分子系のベンチマークでは、ARNN誘導のサブスペース展開は、ニューラルネットワーク表現と古典的なサブスペース手法の強みを組み合わせることが示されている。
論文 参考訳（メタデータ） (2026-03-25T18:53:00Z) - Global Optimization of Atomic Clusters via Physically-Constrained Tensor Train Decomposition [37.69102815774395]
我々は、ポテンシャルエネルギー表面の低ランク構造を利用して制限を克服する新しい枠組みを導入する。
最大45個の原子を含むレナード・ジョーンズクラスターの大域的ミニマムを同定し,本手法の有効性を実証した。
我々は,20原子炭素クラスターを機械学習型モーメントポテンシャルを用いて最適化することにより,実世界のシステムへの適用性を確立する。
論文 参考訳（メタデータ） (2026-01-26T15:38:20Z) - Leveraging Discrete Function Decomposability for Scientific Design [48.365465744654365]
AI駆動の科学とエンジニアリングの時代、私たちはしばしば、ユーザが指定したプロパティに従って、サイリコでオブジェクトを設計したいと考えています。
例えば、ターゲットを結合するタンパク質を設計したり、遅延を最小限にするために回路内のコンポーネントを配置したり、特定の特性を持つ材料を見つけたりしたいかもしれません。
本稿では,新しい分散最適化アルゴリズムであるDADO(De-Aware Distributional Optimization)を提案する。
論文 参考訳（メタデータ） (2025-11-04T21:57:51Z) - Quantum-Classical Hybrid Quantized Neural Network [8.382617481718643]
本稿では、任意のアクティベーションと損失関数の使用を可能にする、量子化されたニューラルネットワークトレーニングのための新しい擬似バイナリ最適化(QBO)モデルを提案する。
我々はQCBO問題を直接解くために量子コンピューティングを利用するQCGD(Quantum Gradient Conditional Descent)アルゴリズムを用いる。
論文 参考訳（メタデータ） (2025-06-23T02:12:36Z) - A quantum wire approach to weighted combinatorial graph optimisation problems [0.0]
本稿では,Rydberg-blockaded 原子の連鎖に基づく効率的な符号化方式を実験的に提案する。
中性原子アーキテクチャに最大重み付き独立集合(MWIS)と2次非制約二元最適化(QUBO)問題を埋め込む。
論文 参考訳（メタデータ） (2025-03-21T13:00:51Z) - Neutron-nucleus dynamics simulations for quantum computers [49.369935809497214]
一般ポテンシャルを持つ中性子核シミュレーションのための新しい量子アルゴリズムを開発した。
耐雑音性トレーニング法により、ノイズの存在下でも許容される境界状態エネルギーを提供する。
距離群可換性(DGC)と呼ばれる新しい可換性スキームを導入し、その性能をよく知られたqubit-commutativityスキームと比較する。
論文 参考訳（メタデータ） (2024-02-22T16:33:48Z) - 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) - Automatic and effective discovery of quantum kernels [41.61572387137452]
量子コンピューティングは、カーネルマシンが量子カーネルを利用してデータ間の類似度を表現できるようにすることで、機械学習モデルを強化することができる。
本稿では,ニューラルアーキテクチャ検索やAutoMLと同じような最適化手法を用いて,この問題に対するアプローチを提案する。
その結果、高エネルギー物理問題に対する我々のアプローチを検証した結果、最良のシナリオでは、手動設計のアプローチに関して、テストの精度を一致または改善できることが示された。
論文 参考訳（メタデータ） (2022-09-22T16:42:14Z) - Scalable neural quantum states architecture for quantum chemistry [5.603379389073144]
量子状態のニューラルネットワーク表現の変分最適化は、相互作用するフェルミオン問題の解決に成功している。
本稿では,Ab-initio量子化学応用のための,ニューラルネットワークに基づく変分量子モンテカルロ計算を改善するための拡張並列化手法を提案する。
論文 参考訳（メタデータ） (2022-08-11T04:40:02Z) - Tree ensemble kernels for Bayesian optimization with known constraints
over mixed-feature spaces [54.58348769621782]
木アンサンブルはアルゴリズムチューニングやニューラルアーキテクチャ検索といったブラックボックス最適化タスクに適している。
ブラックボックス最適化にツリーアンサンブルを使うことの2つのよく知られた課題は、探索のためのモデル不確実性を効果的に定量化し、また、 (ii) ピースワイドな定値取得関数を最適化することである。
我々のフレームワークは、連続/離散的機能に対する非拘束ブラックボックス最適化のための最先端の手法と同様に、混合変数の特徴空間と既知の入力制約を組み合わせた問題の競合する手法よりも優れている。
論文 参考訳（メタデータ） (2022-07-02T16:59:37Z) - Efficient Micro-Structured Weight Unification and Pruning for Neural
Network Compression [56.83861738731913]
ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。
既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。
ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
論文 参考訳（メタデータ） (2021-06-15T17:22:59Z)
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。