論文の概要: Generative structure search for efficient and diverse discovery of molecular and crystal structures

• arxiv url: http://arxiv.org/abs/2604.27636v1
• Date: Thu, 30 Apr 2026 09:26:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:54.019532
• Title: Generative structure search for efficient and diverse discovery of molecular and crystal structures
• Title（参考訳）: 分子・結晶構造の効率的かつ多様な発見のための生成的構造探索
• Authors: Yifang Qin, Yu Shi, Junfu Tan, Chang Liu, Ming Zhang, Ziheng Lu,
• Abstract要約: 深層生成モデルは効率的な構造サンプリングを提供するが、その出力はトレーニングデータによって形成されている。 本稿では、拡散に基づく生成とランダム構造探索を定式化する統合フレームワークである生成構造探索(GSS)を紹介する。 GSSは、幅広い範囲でRSSよりも10倍以上のサンプリングコストで多様なメタスタブル構造を復元する。
• 参考スコア（独自算出の注目度）: 12.463357412115757
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting stable and metastable structures is central to molecular and materials discovery, but remains limited by the cost of searching high-dimensional energy landscapes. Deep generative models offer efficient structure sampling, yet their outputs remain shaped by training data and can underexplore minima that are rare but physically relevant. We introduce generative structure search (GSS), a unified framework that formulates diffusion-based generation and random structure search (RSS) as limiting regimes of a common sampling process driven by learned score fields and physical forces. Coupling these drivers lets GSS use data priors to accelerate sampling while retaining energy-guided exploration of local minima. Across molecular and crystalline systems, GSS recovers diverse metastable structures with more than tenfold lower sampling cost than RSS for broad coverage and remains effective for compositions outside the training distribution. The results establish a physically grounded generative search strategy for discovering structures beyond the reach of data-driven sampling alone.
• Abstract（参考訳）: 安定かつ準安定な構造を予測することは、分子や材料発見の中心であるが、高次元のエネルギー景観を探索するコストによって制限されている。 深層生成モデルは効率的な構造サンプリングを提供するが、その出力はトレーニングデータによって形成され、稀だが物理的に関係のあるミニマを過小評価することができる。 本稿では、拡散に基づく生成とランダム構造探索(RSS)を、学習したスコアフィールドと物理力によって駆動される共通のサンプリングプロセスの制限条件として定式化する統合フレームワークである生成構造探索(GSS)を紹介する。 これらのドライバを結合することで、GSSはサンプリングを加速し、局所的なミニマのエネルギー誘導による探索を継続するデータを使用することができる。 分子および結晶系全体にわたって、GASはRSSよりも10倍以上のサンプリングコストの多様な準安定構造を回収し、トレーニング分布外の組成に有効である。 その結果、データ駆動サンプリングのリーチを超えた構造を発見するための、物理的に基盤付けられた生成探索戦略が確立された。

関連論文リスト

• PATHFINDER: Multi-objective discovery in structural and spectral spaces [0.6738747756464843]
  PATHFINDERは、新規に駆動された探索と最適化を組み合わせた自律顕微鏡のためのフレームワークである。 特徴空間と対象空間における新規性発見のバランスをとる測定値を選択し、情報的かつ実験的に作用する。 これらの結果は、最適化駆動のだけでなく、発見指向で広範で、人間の指示に反応する新しい自律顕微鏡のモードを示している。
  論文  参考訳（メタデータ） (2026-04-05T17:31:08Z)
• Align Your Structures: Generating Trajectories with Structure Pretraining for Molecular Dynamics [57.2871599860811]
  MD軌道生成のための構造事前学習を利用する新しいフレームワークを提案する。 提案手法は,MDトラジェクトリデータの不足を軽減するために,豊富な構造データを効果的に活用する。 実験結果から,本手法は化学的に現実的なMDトラジェクトリの生成に優れていることが確認された。
  論文  参考訳（メタデータ） (2026-04-05T00:37:28Z)
• DiffMS: Diffusion Generation of Molecules Conditioned on Mass Spectra [60.39311767532607]
  本稿では,DiffMSを提案する。DiffMS,式制限付きエンコーダ・デコーダ生成ネットワークは,このタスクにおける最先端性能を実現する。 遅延埋め込みと分子構造をブリッジするロバストデコーダを開発するために,フィンガー構造対による拡散デコーダの事前訓練を行う。 確立されたベンチマーク実験により、DiffMSはデノボ分子生成における既存のモデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-02-13T18:29:48Z)
• Efficient Symmetry-Aware Materials Generation via Hierarchical Generative Flow Networks [52.13486402193811]
  新しい固体材料は、結晶構造の広大な空間を急速に探索し、安定した領域を探索する必要がある。 既存の手法では、大きな材料空間を探索し、望ましい特性と要求を持った多様なサンプルを生成するのに苦労している。 本研究では, 材料空間の対称性を効果的に活用し, 所望の特性を持つ結晶構造を生成するために, 階層的探索戦略を用いた新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-11-06T23:53:34Z)
• TopoFR: A Closer Look at Topology Alignment on Face Recognition [58.45515807380505]
  PTSAと呼ばれるトポロジカル構造アライメント戦略とSDEという硬質試料マイニング戦略を利用する新しいFRモデルであるTopoFRを提案する。 PTSAは永続ホモロジーを用いて入力空間と潜在空間の位相構造を整列し、構造情報を効果的に保存し、FRモデルの一般化性能を向上させる。 一般的な顔のベンチマーク実験の結果は、最先端の手法よりもTopoFRの方が優れていることを示している。
  論文  参考訳（メタデータ） (2024-10-14T14:58:30Z)
• Enhanced sampling of robust molecular datasets with uncertainty-based collective variables [0.0]
  化学関連データポイントの取得を導くために,不確実性を集合変数(CV)として活用する手法を提案する。 このアプローチでは、1つのモデルからのガウス混合モデルに基づく不確実性測定を、偏りのある分子動力学シミュレーションのためのCVとして採用する。
  論文  参考訳（メタデータ） (2024-02-06T06:42:51Z)
• Retrieval-based Controllable Molecule Generation [63.44583084888342]
  制御可能な分子生成のための検索に基づく新しいフレームワークを提案する。 我々は、与えられた設計基準を満たす分子の合成に向けて、事前学習された生成モデルを操るために、分子の小さなセットを使用します。 提案手法は生成モデルの選択に非依存であり,タスク固有の微調整は不要である。
  論文  参考訳（メタデータ） (2022-08-23T17:01:16Z)
• Crystal Structure Search with Random Relaxations Using Graph Networks [6.918493795610175]
  物質の化学式に対する原子結晶構造の予測は、長年にわたる大きな挑戦である。 我々はLi-Si電池陽極材料のランダムな構造緩和のデータセットを構築した。 我々はランダム構造の緩和をシミュレートするためにグラフニューラルネットワークを訓練する。
  論文  参考訳（メタデータ） (2020-12-05T01:27:10Z)

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。