論文の概要: Composable Crystals: Controllable Materials Discovery via Concept Learning
- arxiv url: http://arxiv.org/abs/2605.14769v1
- Date: Thu, 14 May 2026 12:36:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-15 21:45:34.820959
- Title: Composable Crystals: Controllable Materials Discovery via Concept Learning
- Title（参考訳）: 合成可能な結晶:概念学習による制御可能な材料発見
- Authors: Nian Liu, Yuwei Zeng, Ryoji Kubo, Nikita Kazeev, Stephen Gregory Dale, Artem Maevskiy, Pengru Huang, Thomas Laurent, Kostya S. Novoselov, Xavier Bresson,
- Abstract要約: 結晶生成のための概念ベース構成フレームワークを提案する。
我々はベクトル量子化された変分オートエンコーダを訓練し、再利用可能な結晶概念の共有集合を自動的に発見する。
このような概念を再結合することにより、トレーニング分布を超えた新しい結晶の制御可能な探索を可能にする。
- 参考スコア（独自算出の注目度）: 25.01951802810537
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: De novo crystal generation, a central task in materials discovery, aims to generate crystals that are simultaneously valid, stable, unique, and novel. Existing methods mainly rely on black-box stochastic sampling, providing limited control over how generated structures move beyond the observed distribution. In this paper, we introduce a concept-based compositional framework for crystal generation. We train a vector-quantized variational autoencoder to automatically discover a shared set of reusable crystal concepts, which serve as building blocks for guided generation. These learned concepts naturally exhibit interpretability from both local atomic environments and global symmetry patterns, and generalize to crystals from different distributions. By recombining such concepts, our framework enables controllable exploration of novel crystals beyond the training distribution, rather than relying solely on unconstrained random sampling. To further improve composition efficiency, we introduce a composition generator and iteratively refine it using high-quality samples generated by the model itself. The resulting concept compositions are then used to condition downstream crystal generation. Numerical experiments on MP-20 and Alex-MP-20 show that compositing concepts separately increase base model up to 53.2% and 51.7% on V.S.U.N metric, with particular gains in novelty.
- Abstract（参考訳）: 物質発見の中心的なタスクであるド・ノボ結晶生成は、有効で安定し、ユニークで、新規な結晶を同時に生成することを目的としている。
既存の手法は主にブラックボックス確率サンプリングに依存しており、生成した構造が観測された分布を超えてどのように移動するかの限定的な制御を提供する。
本稿では,結晶生成のための概念ベース構成フレームワークを提案する。
我々はベクトル量子化された変分オートエンコーダを訓練し、ガイド生成のためのビルディングブロックとして機能する再利用可能な結晶概念の共有集合を自動的に発見する。
これらの学習された概念は、局所的な原子環境と大域的な対称性パターンの両方からの解釈可能性を示し、異なる分布からの結晶に一般化する。
このような概念を再結合することにより、制約のないランダムサンプリングのみに頼るのではなく、トレーニング分布を超えた新規結晶の制御可能な探索を可能にする。
さらに, 合成効率を向上させるために, 合成生成器を導入し, モデル自体が生成する高品質な試料を用いて反復的に精製する。
結果として生じる概念組成は、下流の結晶生成の条件付けに使用される。
MP-20とAlex-MP-20の数値実験により、合成の概念はV.S.U.Nメートル法で53.2%と51.7%のベースモデルを別々に増加させ、特に新規性は向上した。
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) - CrystalICL: Enabling In-Context Learning for Crystal Generation [12.641999605656409]
大規模言語モデル(LLM)は、強力なコンテキスト内学習(ICL)能力を示している。
既存のLCMベースの結晶生成アプローチはゼロショットシナリオに限られており、少数ショットシナリオの恩恵を受けられない。
結晶生成のための新しいモデルであるCrystalICLを提案する。
論文 参考訳（メタデータ） (2025-08-27T07:49:27Z) - 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) - A Periodic Bayesian Flow for Material Generation [20.62877413439857]
周期的ベイズ流の提案による新しい結晶生成法であるCrysBFNを紹介する。
周期的ベイズ流の概念を実現するために、CrysBFNは新しいエントロピー条件機構を統合する。
CrysBFNの結晶生成と結晶構造予測の両方に関する実験は、CrysBFNの優位性を実証している。
論文 参考訳（メタデータ） (2025-02-04T05:07:13Z) - Complete and Efficient Graph Transformers for Crystal Material Property Prediction [53.32754046881189]
結晶構造は、3次元空間の正則格子に沿って繰り返される原始単位セル内の原子塩基によって特徴づけられる。
本稿では,各原子の格子に基づく表現を確立するために,単位細胞の周期パターンを利用する新しい手法を提案する。
結晶材料に特化して設計されたSE(3)トランスであるComFormerを提案する。
論文 参考訳（メタデータ） (2024-03-18T15:06:37Z) - 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) - 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) - An invertible crystallographic representation for general inverse design
of inorganic crystals with targeted properties [10.853822721106205]
一般逆設計(所与の要素や結晶構造に限らず)が可能な枠組みを提案する。
このフレームワークは、ユーザが定義した形成エネルギー、バンドギャップ、熱電(TE)パワーファクター、およびそれらの組み合わせを備えた新しい結晶を生成する。
結果は、生成モデルを用いたプロパティ駆動の一般逆設計に向けた重要なステップである。
論文 参考訳（メタデータ） (2020-05-15T15:58:31Z)
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。