論文の概要: CrystalReasoner: Reasoning and RL for Property-Conditioned Crystal Structure Generation

• arxiv url: http://arxiv.org/abs/2605.14344v1
• Date: Thu, 14 May 2026 04:08:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.613519
• Title: CrystalReasoner: Reasoning and RL for Property-Conditioned Crystal Structure Generation
• Title（参考訳）: CrystalReasoner: 結晶構造生成のためのReasoningとRL
• Authors: Yuyang Wu, Stefano Falletta, Delia McGrath, Sherry Yang,
• Abstract要約: 自然言語命令から結晶構造を生成するエンドツーエンドのLCMフレームワークであるCrystalReasonerを提案する。 方法は、結晶対称性、局所的な調整環境を含む思考トークンとして、物理的に先入観を導入する。 次に、多目的で高密度な報酬関数を持つ強化学習(RL)を用いて、生成を物理的妥当性、化学的整合性、熱力学的安定性に整合させる。
• 参考スコア（独自算出の注目度）: 7.340047961454058
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative modeling has emerged as a promising approach for crystal structure discovery. However, existing LLM-based generative models struggle with low-level atomic precision, while diffusion-based methods fall short in integrating high-level scientific knowledge. As a result, generated structures are often invalid, unstable, or do not possess desirable properties. To address this gap, we propose CrystalReasoner (\method), an end-to-end LLM framework that generates crystal structures from natural language instructions through reasoning and alignment. \method introduces physical priors as thinking tokens, which include crystallographic symmetry, local coordination environments and predicted physical properties before generating atomic coordinates. This bridges the gap between natural language and 3D structures. \method then employs reinforcement learning (RL) with a multi-objective, dense reward function to align generation with physical validity, chemical consistency, and thermodynamic stability. For property-conditioned tasks, we design task-specific reward functions and train specialized models for discrete constraints (e.g., space group) and continuous properties (e.g., elasticity, thermal expansion). Empirical results demonstrate that compared to prior works and baselines without thinking traces or RL, \method obtains better performance on diverse metrics, triples S.U.N. ratio, and achieves better performance for property conditioned generation. \method also exhibits adaptive reasoning, increasing reasoning lengths as the number of atoms increases. Our work demonstrates the potential of leveraging thinking traces and RL for generating valid, stable, and property-conditioned crystal structures. Please see our work at https://crystalreasoner.github.io/ .
• Abstract（参考訳）: 生成モデリングは結晶構造発見の有望なアプローチとして現れている。 しかし、既存のLLMベースの生成モデルは低レベルの原子の精度に苦しむ一方、拡散ベースの手法は高レベルの科学的知識を統合するには不十分である。 その結果、生成された構造はしばしば無効、不安定、あるいは望ましい性質を持っていない。 このギャップに対処するために、自然言語命令から結晶構造を生成するエンドツーエンドのLCMフレームワークであるCrystalReasoner(\method)を提案する。 これは、結晶対称性、局所的な調整環境、原子座標を生成する前に予測された物理的特性を含む。 これは自然言語と3D構造の間のギャップを埋める。 次に、多目的で高密度な報酬関数を持つ強化学習(RL)を用いて、生成を物理的妥当性、化学的整合性、熱力学的安定性に整合させる。 特性条件付きタスクに対しては、タスク固有の報酬関数を設計し、離散制約(例えば、空間群)と連続特性(例えば、弾性、熱膨張)を訓練する。 実験結果から,従来の作業やベースラインをトレースやRLを考慮せずに比較すると,様々な指標,S.U.N.比の3倍の性能が得られ,特性条件付き生成の性能が向上することがわかった。 メトッドはまた適応的推論を示し、原子の数が増加するにつれて推論の長さが増加する。 本研究は, 思考トレースとRLを利用して, 有効で安定な, 特性条件の結晶構造を創出する可能性を示す。 詳細はhttps://crystalreasoner.github.io/を参照してください。

関連論文リスト

• CrystalREPA: Transferring Physical Priors from Universal MLIPs to Crystal Generative Models [10.446104330081189]
  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。
  論文  参考訳（メタデータ） (2026-05-09T13:56:23Z)
• Universal Fine-Grained Symmetry Inference and Enforcement for Rigorous Crystal Structure Prediction [3.5802790319269717]
  結晶構造予測(CSP)は、結晶の3次元原子配置をその組成から予測することを目的としている。 既存のディープラーニングモデルは、しばしば、ソフトまたはスペースグループと既知の構造から取得されたウィコフテンプレートにのみ依存する結晶対称性を扱う。 対照的に,本手法は大規模言語モデルを用いて化学意味論を符号化し,Wyckoffパターンを合成から直接生成する。
  論文  参考訳（メタデータ） (2026-02-19T08:43:25Z)
• 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)
• CoT-Evo: Evolutionary Distillation of Chain-of-Thought for Scientific Reasoning [63.44477226386808]
  先進的な大規模言語モデル(LLM)からのCoT蒸留は、一般的な推論タスクにおいて有効であることが証明されている。 しかし、先進的なモデルでさえ、誤った、あるいは表面的な推論をしばしば生み出す科学領域では苦戦している。 この問題を解決するために, 進化的CoT蒸留フレームワークであるCoT-Evoを提案する。
  論文  参考訳（メタデータ） (2025-10-15T05:29:56Z)
• PLaID++: A Preference Aligned Language Model for Targeted Inorganic Materials Design [0.1408690282236036]
  安定かつ特性誘導型結晶生成のためのLLMポストトレーニングであるPLaID++を紹介する。 結晶学的な表現と報酬の定式化にパフォーマンスのヒンジがあることがわかった。
  論文  参考訳（メタデータ） (2025-09-08T18:57:57Z)
• CLOUD: A Scalable and Physics-Informed Foundation Model for Crystal Representation Learning [0.0]
  CLOUD(Crystal Language mOdel for Unified and Differentiable Materials Modeling)は,新しいSCOPE(Symmetry-Consistent SCOPE)をトレーニングしたトランスフォーマーベースのフレームワークである。 CLOUDは600万以上の結晶構造で事前訓練されており、幅広い材料特性を予測する上での競争性能を達成する。 異種材料モデリングの概念の証明として, フォノン内部エネルギーと熱容量の予測にCLOUDを適用した。
  論文  参考訳（メタデータ） (2025-06-19T15:45:24Z)
• 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)
• Data-Driven Score-Based Models for Generating Stable Structures with Adaptive Crystal Cells [1.515687944002438]
  本研究は, 化学安定性や化学組成など, 新しい結晶構造を創出することを目的としている。 提案手法の新規性は、結晶細胞の格子が固定されていないという事実にある。 対称性の制約を尊重し、計算上の優位性をもたらす多グラフ結晶表現が導入された。
  論文  参考訳（メタデータ） (2023-10-16T02:53:24Z)

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。