論文の概要: CrystalREPA: Transferring Physical Priors from Universal MLIPs to Crystal Generative Models

• arxiv url: http://arxiv.org/abs/2605.08960v1
• Date: Sat, 09 May 2026 13:56:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:49.993217
• Title: CrystalREPA: Transferring Physical Priors from Universal MLIPs to Crystal Generative Models
• Title（参考訳）: CrystalREPA:Universal MLIPからCrystal Generative Modelへ物理プライオリティを移す
• Authors: Chengqian Zhang, Yucheng Jin, Duo Zhang, Tiejun Li, Han Wang,
• Abstract要約: 我々は、最先端の結晶生成モデルと、事前訓練されたユニバーサル機械学習の原子間ポテンシャルの間には、かなりの差があることを示す。 生成エンコーダの原子レベルで隠された状態を凍結MLIP表現と整合させるプラグイン・アンド・プレイ・フレームワークであるCrystalREPAを提案する。 クリスタルREPAは、生成結晶の熱力学的安定性、構造的妥当性、構造的忠実度を一貫して改善する。
• 参考スコア（独自算出の注目度）: 10.446104330081189
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Crystal generative models mainly learn what stable crystals look like, with little explicit supervision for what makes them stable. We reveal a substantial representation gap between state-of-the-art crystal generative models and pretrained universal machine learning interatomic potentials (MLIPs) via energy probing, and show this gap can be closed by a simple training-time alignment. We propose Crystal REPresentation Alignment (CrystalREPA), a plug-and-play framework that aligns the atom-wise hidden states of generative encoders with frozen MLIP representations through an element-aware contrastive objective, transferring stability-aware atomistic priors with marginal training overhead and no additional inference cost. Across three generative frameworks, ten MLIP teachers, and two benchmark datasets, CrystalREPA consistently improves the thermodynamic stability, structural validity, and structural fidelity of generated crystals. Equally important, we find that an MLIP's transfer effectiveness is poorly predicted by its accuracy on standard leaderboards (e.g., Matbench Discovery) but strongly predicted by the distinguishability of its atom-wise representation space, yielding a practical, accuracy-independent criterion for selecting MLIP teachers for generative transfer.
• Abstract（参考訳）: 結晶生成モデルは、主に安定な結晶がどのようなものかを学ぶが、安定な結晶を何にするかの明確な監督はほとんどない。 我々は,最先端の結晶生成モデルと,エネルギー探索によるMLIP(Universal Learning Interatomic potentials)の相当な表現ギャップを明らかにし,このギャップを簡単なトレーニング時間アライメントで塞ぐことができることを示す。 CrystalREPA(Crystal RePresentation Alignment)は、生成エンコーダの原子知能状態と凍結MLIP表現を、要素認識のコントラスト目的により整列し、限界トレーニングオーバーヘッドと追加の推論コストを伴わず、安定性認識の原子論的な先行を転送するプラグイン・アンド・プレイのフレームワークである。 3つの生成フレームワーク、10人のMLIP教師、および2つのベンチマークデータセットにおいて、CrystalREPAは生成した結晶の熱力学的安定性、構造的妥当性、構造的忠実度を一貫して改善する。 同様に、MLIPの転送効率は標準のリーダーボード(例えば、Matbench Discovery)の精度では予測できないが、その原子単位の表現空間の識別性によって強く予測され、生成的転送のためにMLIP教師を選択するための実用的で精度に依存しない基準が得られる。

関連論文リスト

• OXtal: An All-Atom Diffusion Model for Organic Crystal Structure Prediction [63.318434943975255]
  分子内コンフォーメーションと周期的パッキングの条件付き関節分布を学習する大規模100Mパラメータ全原子拡散モデルであるOXtalを導入する。 実験的に検証された600Kの結晶構造の大規模なデータセットを活用することで、OXtalは、以前のabinitio機械学習CSPメソッドよりも改善の順序を達成できる。 オキシタルは80%以上のパッキング類似率を獲得し、分子結晶化の熱力学的および運動論的規則性の両方をモデル化する能力を示している。
  論文  参考訳（メタデータ） (2025-12-07T20:46:30Z)
• 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)
• CrystalDiT: A Diffusion Transformer for Crystal Generation [52.45780803467369]
  本稿では,結晶構造生成のための拡散変圧器であるCrystalDiTについて述べる。 CrystalDiTは、格子と原子特性を単一の相互依存系として扱う、強力な誘導バイアスを課す統一トランスフォーマーを使用している。
  論文  参考訳（メタデータ） (2025-08-13T12:53:32Z)
• Active Learning for Conditional Inverse Design with Crystal Generation and Foundation Atomic Models [2.8408587358426725]
  本稿では, 結晶生成モデルと基本原子モデルを組み合わせて, 逆設計の精度と効率を高めるための能動的学習フレームワークを提案する。 我々のフレームワークは、様々な結晶生成と基盤原子モデルに対応し、AI駆動材料発見のためのスケーラブルなアプローチを確立している。
  論文  参考訳（メタデータ） (2025-02-24T09:15:38Z)
• CrystalGRW: Generative Modeling of Crystal Structures with Targeted Properties via Geodesic Random Walks [1.2141052067494946]
  本稿では,密度汎関数理論で検証された安定位相を予測できる拡散モデルであるCrystalGRWを紹介する。 CrystalGRWは、既存のモデルに匹敵する精度で基底状態に近い現実的な結晶構造を生成する能力を示す。 これらの特徴は、安定で対称性に富んだ結晶候補を実験的に検証することで、材料発見と逆設計を加速する。
  論文  参考訳（メタデータ） (2025-01-15T18:26:35Z)
• 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)
• 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)
• Crystal-GFN: sampling crystals with desirable properties and constraints [103.79058968784163]
  本稿では,結晶構造の生成モデルであるCrystal-GFNを紹介する。 本稿では,MatBenchで学習した新しいプロキシ機械学習モデルにより予測された結晶構造の原子1個あたりの生成エネルギーを目的として利用する。 その結果、Crystal-GFNは低(中間-3.1 eV/原子)で生成エネルギーが予測される非常に多様な結晶をサンプリングできることが示された。
  論文  参考訳（メタデータ） (2023-10-07T21:36:55Z)

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。