論文の概要: Crystal Fractional Graph Neural Network for Energy Prediction of High-Entropy Alloys

• arxiv url: http://arxiv.org/abs/2605.08103v1
• Date: Sun, 26 Apr 2026 14:13:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 12:34:33.697308
• Title: Crystal Fractional Graph Neural Network for Energy Prediction of High-Entropy Alloys
• Title（参考訳）: 高エントロピー合金のエネルギー予測のための結晶分画グラフニューラルネットワーク
• Authors: Takanori Kotama, Yang Huang,
• Abstract要約: 本研究では,高エントロピー合金のエネルギーを予測するための結晶分数グラフニューラルネットワークを提案する。 1,049の結晶構造のデータセット上でモデルをトレーニングし、198の第四次構造上で検証する。 この結果から,本モデルは第一原理計算に匹敵するRMSEを実現し,低エネルギー構成でも高い精度を維持できることがわかった。
• 参考スコア（独自算出の注目度）: 1.8860727294119508
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-entropy alloys (HEAs) have attracted growing attention for their exceptional mechanical and thermal properties arising from complex atomic configurations. In this paper, we propose crystal fractional graph neural network for predicting the energy of high-entropy alloys by explicitly integrating both local atomic environments and global compositional information. The model consists of three components: a crystal graph neural network, which employs graph attention network layers to learn local interactions among 16 on-site atoms within the crystal lattice; fractional neural network, a fully connected network that embeds the global fraction of constituent elements; and feature fusion neural network, which fuses the outputs of the two submodels to predict the total crystal energy. We train the model on a dataset of 1,049 crystal structures and validate it on 198 quaternary structures, optimizing all hyperparameters via Optuna. Our results show that our model achieves an RMSE comparable to first-principles calculations and maintains high accuracy even for low-energy configurations. However, the model exhibits limitations in handling large crystal cells, which we aim to address in future work to extend its applicability to more complex systems.
• Abstract（参考訳）: 高エントロピー合金(HEA)は、複雑な原子配置から生じる異常な機械的および熱的特性から注目されている。 本稿では,高エントロピー合金のエネルギーを局所的原子環境と大域的組成情報の両方を明示的に統合することにより予測する結晶分数グラフニューラルネットワークを提案する。 結晶格子内の16のオンサイト原子間の局所的相互作用を学習するためにグラフアテンションネットワーク層を利用する結晶グラフニューラルネットワーク、構成要素のグローバルな分画を埋め込んだ完全連結ネットワークである分画ニューラルネットワーク、および2つのサブモデルの出力を融合して結晶エネルギーを予測する特徴融合ニューラルネットワークである。 我々は、1,049の結晶構造のデータセットでモデルをトレーニングし、オプトゥーナを介して全ハイパーパラメーターを最適化し、それを198の第四次構造で検証する。 この結果から,本モデルは第一原理計算に匹敵するRMSEを実現し,低エネルギー構成でも高い精度を維持できることがわかった。 しかし、このモデルは大きな結晶細胞を扱う際の限界を示しており、より複雑なシステムへの適用性を高めるために、今後の課題に対処することを目指している。

関連論文リスト

• Interpretation of Crystal Energy Landscapes with Kolmogorov-Arnold Networks [4.3113133384833064]
  我々は,解釈可能なフレームワークとしてKAN(Kolmogorov-Arnold Networks)を紹介した。 カンは、基礎となる物理的関係を明らかにする学習可能な関数を用いる。 生成エネルギー,バンドギャップ,作業関数の予測における最先端の精度を実現する合成専用モデルであるElement-Weighted Kanを開発した。
  論文  参考訳（メタデータ） (2026-04-06T12:37:03Z)
• Beyond Structure: Invariant Crystal Property Prediction with Pseudo-Particle Ray Diffraction [23.89478649565297]
  結晶特性予測は、従来の密度汎関数理論を用いて、大きな多体系に対して正確に解くことを計算的に禁止している。 グラフ表現の他に、独自の相互空間回折を利用するRDNetを導入する。 Materials Project、JARVIS-DFT、MatBenchで大規模な実験を行い、提案モデルが最先端の性能を達成することを実証した。
  論文  参考訳（メタデータ） (2025-09-26T02:30:23Z)
• Models of Heavy-Tailed Mechanistic Universality [62.107333654304014]
  トレーニングニューラルネットワークにおける重み付け行動を引き起こす属性を探索するために,ランダム行列モデルのファミリーを提案する。 このモデルの下では、3つの独立した因子の組み合わせによって、尾翼の電力法則によるスペクトル密度が生じる。 ニューラルネットワークトレーニングの5段階以上において、ニューラルネットワークのスケーリング法則、軌道、および5段階以上の位相を含む重尾の出現に対する我々のモデルの影響について論じる。
  論文  参考訳（メタデータ） (2025-06-04T00:55:01Z)
• ScaleGNN: Towards Scalable Graph Neural Networks via Adaptive High-order Neighboring Feature Fusion [73.85920403511706]
  スケーラブルで効果的なグラフ学習のためのマルチホップノード機能を適応的に融合する新しいフレームワークであるScaleGNNを提案する。 予測精度と計算効率の両面で,ScaleGNNは最先端のGNNよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2025-04-22T14:05:11Z)
• ReciNet: Reciprocal Space-Aware Long-Range Modeling for Crystalline Property Prediction [28.923772205970497]
  ReciNetは、幾何学的GNNと相互ブロックを統合して、短距離と長距離の相互作用をモデル化する新しいアーキテクチャである。 本稿では,ReciNetが結晶特性予測タスクの範囲で最先端の予測精度を実現することを示す。
  論文  参考訳（メタデータ） (2025-02-04T22:31:39Z)
• Spatiotemporal Graph Learning with Direct Volumetric Information Passing and Feature Enhancement [62.91536661584656]
  本稿では,CeFeGNN(CeFeGNN)とCell-embeddedとFeature-enhanced Graph Neural Networkを学習用として提案する。 学習可能なセル属性を共通ノードエッジメッセージパッシングプロセスに埋め込むことで,地域特性の空間依存性をよりよく把握する。 各種PDEシステムと1つの実世界のデータセットを用いた実験により、CeFeGNNは他のベースラインと比較して優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-09-26T16:22:08Z)
• Annealing for prediction of grand canonical crystal structures: Efficient implementation of n-body atomic interactions [0.0]
  結晶構造予測(CSP)のための近代イジングマシンで使用可能なスキームを提案する。 我々は、一般的なn-体原子間相互作用、特に共有結合をシミュレートするために必要な3-体相互作用を考慮する。 結晶構造は、単位セルを識別し、各格子点に原子の存在または存在しないことを表わすバイナリ変数を配置することによって表される。
  論文  参考訳（メタデータ） (2023-07-06T16:49:06Z)
• Orbital Graph Convolutional Neural Network for Material Property Prediction [0.0]
  本稿では,結晶グラフ畳み込みニューラルネットワークフレームワークであるOrbital Graph Convolutional Neural Network (OGCNN)を提案する。 OGCNNには、材料特性を堅牢な方法で学習する原子軌道相互作用機能が含まれている。 本研究では, このモデルの性能について, 様々な特性を予測するために, 広範囲の結晶材料データを用いて検討した。
  論文  参考訳（メタデータ） (2020-08-14T15:22:22Z)
• Variational Monte Carlo calculations of $\mathbf{A\leq 4}$ nuclei with an artificial neural-network correlator ansatz [62.997667081978825]
  光核の基底状態波動関数をモデル化するためのニューラルネットワーク量子状態アンサッツを導入する。 我々は、Aleq 4$核の結合エネルギーと点核密度を、上位のピオンレス実効場理論から生じるものとして計算する。
  論文  参考訳（メタデータ） (2020-07-28T14:52:28Z)
• Hyperbolic Neural Networks++ [66.16106727715061]
  ニューラルネットワークの基本成分を1つの双曲幾何モデル、すなわちポアンカーの球モデルで一般化する。 実験により, 従来の双曲成分と比較してパラメータ効率が優れ, ユークリッド成分よりも安定性と性能が優れていた。
  論文  参考訳（メタデータ） (2020-06-15T08:23:20Z)
• Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
  無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。 モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。 その結果,クロスバリデーションにより予測精度が期待できることがわかった。
  論文  参考訳（メタデータ） (2020-05-27T13:32:10Z)

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。