論文の概要: AMGenC: Generating Charge Balanced Amorphous Materials

• arxiv url: http://arxiv.org/abs/2604.27613v1
• Date: Thu, 30 Apr 2026 09:04:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:54.010476
• Title: AMGenC: Generating Charge Balanced Amorphous Materials
• Title（参考訳）: AMGenC:電荷バランスアモルファス材料の生成
• Authors: Yan Lin, Jilin Hu, N. M. Anoop Krishnan, Morten M. Smedskjaer,
• Abstract要約: アモルファス(非秩序な)材料は、エネルギー貯蔵、熱管理、先進的な材料など、様々な領域において大きなポテンシャルを示した固体である。 本研究では,アモルファス材料の新しい生成逆設計法であるAMGenCを提案する。
• 参考スコア（独自算出の注目度）: 10.838098645524248
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Amorphous (disordered) materials are solids that have shown great potential in various domains, including energy storage, thermal management, and advanced materials. Unlike crystalline materials that can be described by unit cells containing a few to hundreds of atoms, amorphous materials require larger simulation cells with at least hundreds to thousands of atoms. To advance the design of amorphous materials with desired properties and facilitate the exploration of their vast design space, generative inverse design has emerged as a promising approach. It aims to directly output materials with properties closely aligned with the desired ones using probabilistic generative models conditioned on desired properties, which can be more resource efficient than the traditional trial-and-error approach. However, due to the inherent stochasticity of probabilistic generative models, when element assignments are unconstrained, a large portion of generated materials may be charge unbalanced, and no existing methods can effectively mitigate this limitation. In this work, we propose AMGenC, a new generative inverse design method for amorphous materials that can guarantee the generation of charge balanced samples, with minimal additional computational overhead and without sacrificing inverse design accuracy. AMGenC achieves this through an element noise that gives the generation process a starting point centered around charge balance, and the combination of a per-step soft projection and a final discrete projection for steering the elements toward exact charge balance throughout the generation. We perform extensive experiments on two amorphous materials datasets. Experimental results provide evidence that AMGenC achieves its design goal.
• Abstract（参考訳）: アモルファス(非秩序な)材料は、エネルギー貯蔵、熱管理、先進的な材料など、様々な領域において大きなポテンシャルを示した固体である。 数個から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から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。 アモルファス材料の設計を望ましい特性で進め、その広大な設計空間の探索を容易にするために、生成的逆設計が有望なアプローチとして登場した。 所望の特性を前提とした確率的生成モデルを用いて、所望の特性と密に整合した素材を直接出力することを目的としており、従来の試行錯誤手法よりも資源効率がよい。 しかし、確率的生成モデルの本質的な確率性のため、要素割り当てが制約されない場合には、生成物質の大部分を非バランスで充電することができ、既存の手法ではこの制限を効果的に緩和することはできない。 本研究では,アモルファス材料の新しい生成逆設計手法であるAMGenCを提案する。 AMGenCは、生成プロセスにチャージバランスを中心とした開始点を与える要素ノイズと、各ステップごとのソフトプロジェクションと、生成全体を通して正確なチャージバランスに向けて要素を操る最終的な離散プロジェクションの組み合わせによってこれを達成する。 2つのアモルファス材料データセットについて広範な実験を行った。 実験結果は、AMGenCがその設計目標を達成する証拠となる。

関連論文リスト

• AMShortcut: An Inference- and Training-Efficient Inverse Design Model for Amorphous Materials [8.97798094422526]
  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。
  論文  参考訳（メタデータ） (2026-03-31T14:39:49Z)
• Zatom-1: A Multimodal Flow Foundation Model for 3D Molecules and Materials [51.342983349686556]
  汎用的な3Dケミカルモデリングは分子や材料を含み、生成能力と予測能力の両方を必要とする。 Zatom-1は、3D分子や材料の生成的および予測的学習を統一する、エンド・ツー・エンドの完全なオープンソース基盤モデルである。
  論文  参考訳（メタデータ） (2026-02-24T20:52:39Z)
• 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)
• Fine-Tuned Language Models Generate Stable Inorganic Materials as Text [53.81190146434045]
  テキストエンコードされた原子構造データに基づく微調整された大規模言語モデルは、実装が簡単で信頼性が高い。 我々の最強モデルは、CDVAEの約2倍の速度で準安定であると予測された物質を生成することができる。 テキストプロンプト固有の柔軟性のため、我々のモデルは安定物質を無条件に生成するために同時に使用することができる。
  論文  参考訳（メタデータ） (2024-02-06T20:35:28Z)
• MatterGen: a generative model for inorganic materials design [20.119976243451216]
  本稿では,周期表上で安定かつ多様な無機物質を生成するモデルであるMatterGenを提案する。 MatterGenが生成した以前の生成モデルと比較すると、新規で安定な構造になる確率は2倍以上である。 磁気密度の高い構造と,サプライチェーンリスクの低い化学組成を兼ね備えた多目的材料設計能力を実証した。
  論文  参考訳（メタデータ） (2023-12-06T18:52:16Z)
• 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)
• Materials Transformers Language Models for Generative Materials Design: a benchmark study [4.047301375093173]
  我々は、ICSD, OQMD, Materials Projectsデータベースに蓄積された材料から拡張された公式を用いて、7つの現代トランスフォーマー言語モデル(GPT, GPT-2, GPT-Neo, GPT-J, BLMM, BART, RoBERTa)を訓練する。 非電荷ニュートラルまたは平衡電子陰性率サンプルを持つ6つの異なるデータセットを使用して、性能をベンチマークする。 実験により、因果言語モデルに基づく材料変換器は、中性電荷97.54%、電子陰性度91.40%の化学的に有効な材料組成を生成できることがわかった。
  論文  参考訳（メタデータ） (2022-06-27T18:50:05Z)
• Physics Guided Generative Adversarial Networks for Generations of Crystal Materials with Symmetry Constraints [9.755053639966185]
  新たな材料生成のための物理ガイド結晶生成モデル(PGCGM)を提案する。 物質の塩基性原子サイトを増大させることで、20個の空間群からなる新しい物質を生成できる。 本手法により, 発電機の有効性は, ベースラインの8倍に向上する。
  論文  参考訳（メタデータ） (2022-03-27T17:21:36Z)

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。