論文の概要: Crys-JEPA: Accelerating Crystal Discovery via Embedding Screening and Generative Refinement

• arxiv url: http://arxiv.org/abs/2605.14759v1
• Date: Thu, 14 May 2026 12:23:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.815586
• Title: Crys-JEPA: Accelerating Crystal Discovery via Embedding Screening and Generative Refinement
• Title（参考訳）: Crys-JEPA: 埋め込みスクリーニングと生成リファインメントによる結晶発見の加速
• Authors: Nian Liu, Nikita Kazeev, Stephen Gregory Dale, Artem Maevskiy, Yuwei Zeng, Ryoji Kubo, Pengru Huang, Thomas Laurent, Yann LeCun, Kostya S. Novoselov, Xavier Bresson,
• Abstract要約: 現在の結晶生成モデルは、顕著な安定性-ノベルティトレードオフに捕らわれている。 我々はCrys-JEPAを紹介した。Crys-JEPAは、エネルギーを意識した潜在空間を学習する結晶の組込み予測アーキテクチャである。 我々は,期待できる生成結晶を識別し,生成モデルを改良するために再導入するスクリーニング・リファインメントパイプラインを開発した。
• 参考スコア（独自算出の注目度）: 47.29579685421339
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: De novo crystal generation seeks to discover materials that are not merely realistic, but also stable and novel. However, most existing generative models are trained to maximize the likelihood of observed crystals, which encourages samples to stay close to known materials yet not necessarily align with the criteria that matter in discovery. Through an empirical investigation, we show that current crystal generative models are caught in a pronounced stability--novelty trade-off: moving toward the observed distribution preserves stability but limits novelty, whereas moving away from it quickly destroys stability. This suggests that the useful region for discovering crystals that are both stable and novel is extremely narrow. To escape the trade-off, we introduce Crys-JEPA, a joint embedding predictive architecture for crystals that learns an energy-aware latent space preserving formation-energy differences. In this space, stability assessment can be reformulated as an embedding-based comparison against accessible training crystals, reducing the reliance on expensive energy evaluation and task-specific external references. Building on Crys-JEPA, we further develop a screening-and-refinement pipeline that identifies promising generated crystals and reintroduces them to refine the generative model. On MP-20 and Alex-MP-20 datasets, we achieve improvements over baselines up to 81.4% and 82.6% on V.S.U.N metric, respectively.
• Abstract（参考訳）: デ・ノヴォの結晶生成は、単に現実的なだけでなく、安定し、新しい物質も発見しようと試みている。 しかし、既存の生成モデルは、観測された結晶の可能性を最大化するために訓練されており、サンプルが既知の物質に近づき続けることを奨励するが、発見において重要な基準と必ずしも一致しない。 実験により, 現在の結晶生成モデルでは, 観測された分布への移動は安定性を保ちながら, 新規性を制限する一方で, 結晶生成モデルからの移動は急速に安定性を損なうことが確認された。 これは、安定かつ新規な結晶を発見するための有用な領域が極めて狭いことを示唆している。 このトレードオフを回避するために,我々はCrys-JEPAを紹介した。Crys-JEPAは,エネルギーを意識した潜在空間を学習し,形成エネルギーとエネルギーの差を保ちながら,結晶の埋め込み予測アーキテクチャである。 この領域では、安定性評価は、アクセス可能なトレーニング結晶に対する埋め込みベースの比較として再定義することができ、高価なエネルギー評価やタスク固有の外部参照への依存を減らすことができる。 Crys-JEPA 上に構築したスクリーニング・リファインメントパイプラインは,将来性のある結晶を同定し,生成モデルを洗練するために再導入する。 MP-20 と Alex-MP-20 のデータセットでは、それぞれ V.S.U.N の基準値 81.4% と 82.6% の改善が達成されている。

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)
• 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)
• 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)
• 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)
• 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。