論文の概要: Atomistic Modeling of Chemical Disorder in Materials: Bridging Classical Methods and AI-Assisted Approaches

• arxiv url: http://arxiv.org/abs/2605.19124v1
• Date: Mon, 18 May 2026 21:22:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:08.994538
• Title: Atomistic Modeling of Chemical Disorder in Materials: Bridging Classical Methods and AI-Assisted Approaches
• Title（参考訳）: 物質中の化学障害の原子論的モデリング--古典的手法のブリッジングとAI支援アプローチ
• Authors: Jiayu Peng, Peichen Zhong,
• Abstract要約: 化学障害は合金、セラミックス、組成的に複雑な材料に広く見られる。 中心的な障害は実験とシミュレーションの間の表現ギャップである。 このレビューでは、古典的およびAI駆動のメソッドがこの表現ギャップを埋める方法について強調する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Chemical disorder, originating from the mixed occupation of crystallographic sites by multiple elements, is widespread in alloys, ceramics, and compositionally complex materials, where short- and long-range orderings can strongly influence properties. A central obstacle is the representation gap between experiments and simulations: experiments often report disorder as partial occupancies and ensemble-averaged behaviors, whereas atomistic simulations and AI workflows usually require fully specified configurations. Tackling this gap requires computational methods that convert averaged disorder descriptions into representative configurational ensembles while balancing cost, bias, and fidelity. This challenge has become more urgent in AI-driven computational discovery, where ignoring disorder may cause AI workflows to misrank stability, misjudge novelty, and misdirect experiments with too-idealized representations. This Review highlights how classical and AI-driven methods can bridge this representation gap. We assess the strengths and limitations of approaches spanning mean-field theories, cluster expansion, quasi-random approximations, Monte Carlo, and emerging schemes powered by universal interatomic potentials and generative models. We further highlight how AI can accelerate classical computational schemes by lowering the cost of microstate evaluation, configurational exploration, and atomistic-to-thermodynamic closure. We also emphasize how AI can enable disorder-native capabilities, including workflow triage, ordering-sensitive and alchemical representations, generative models of disordered structures and distributions, and kinetics-aware disorder prediction. Together, this framework outlines a practical roadmap toward disorder-native AI, which can transform chemical disorder from a representational obstacle into a controllable variable for realistic AI-accelerated materials discovery.
• Abstract（参考訳）: 化学障害は、結晶サイトを複数の元素で混在させることから発生し、合金、セラミックス、組成的に複雑な材料に広まっており、短距離および長距離の秩序が特性に強く影響を及ぼす可能性がある。 実験では、障害を部分的占有と平均的な振る舞いとして報告することが多いが、原子論シミュレーションとAIワークフローは、通常は完全に指定された構成を必要とする。 このギャップに対処するには、平均的な障害記述を、コスト、バイアス、忠実さのバランスをとりながら、代表的な構成的アンサンブルに変換する計算方法が必要である。 この課題は、AI駆動の計算発見において、障害を無視することで、AIワークフローが安定性、誤った判断のノベルティ、過度に理想化された表現による実験を誤解させる可能性がある。 このレビューでは、古典的およびAI駆動のメソッドがこの表現ギャップを埋める方法について強調する。 我々は平均場理論、クラスター展開、準ランダム近似、モンテカルロ、普遍的原子間ポテンシャルと生成モデルに基づく新しいスキームにまたがるアプローチの強さと限界を評価する。 さらに我々は、マイクロステート評価、構成探索、原子-熱力学的閉鎖のコストを下げることで、AIが古典的な計算スキームを加速する方法について強調する。 また、ワークフロートリアージ、秩序感とアルケミカル表現、乱れた構造と分布の生成モデル、速度論的認知障害予測など、AIが障害ネイティブな機能を実現する方法を強調します。 このフレームワークは、化学障害を表現的障害から制御可能な変数に変換することで、現実的なAI加速材料発見を実現するための、障害ネイティブAIに向けた実践的なロードマップを概説する。

関連論文リスト

• Scale-Aware Adversarial Analysis: A Diagnostic for Generative AI in Multiscale Complex Systems [5.173587482427292]
  拘束拡散分解(CDD)による診断フレームワークについて紹介する。 連続したCDDベースのスケール空間内で決定論的介入を行う。 適度な物理的摂動の下では、制約のない生成モデルは局所的な構造的凍結と非線形不安定を示す。
  論文  参考訳（メタデータ） (2026-05-01T08:36:52Z)
• Mixture of Experts Framework in Machine Learning Interatomic Potentials for Atomistic Simulations [0.3024996106292169]
  第一原理原子論シミュレーションは複雑な物質現象を理解するのに不可欠であるが、その計算コストによって根本的に制限される。 本稿では,E(3)-equivariant Allegroアーキテクチャに基づくマルチフィデリティな"Mixture-of-Experts"フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-28T22:04:05Z)
• Latent Causal Diffusions for Single-Cell Perturbation Modeling [83.47931153555321]
  測定ノイズ下で観察された定常拡散過程として単細胞遺伝子発現をフレーム化する生成モデルを提案する。 LCDはシングルセルRNAシークエンシングスクリーンにおいて、目に見えない摂動の組み合わせの分布変化を予測するために確立されたアプローチより優れていた。 我々は、摂動応答(CLIPR)を介して因果線形化と呼ばれるアプローチを開発し、全ての遺伝子間の直接的な因果効果を近似する。
  論文  参考訳（メタデータ） (2026-01-20T16:15:38Z)
• Prospects for Using Artificial Intelligence to Understand Intrinsic Kinetics of Heterogeneous Catalytic Reactions [2.0971479389679337]
  鍵となるフロンティアは、AIをマルチスケールモデルとマルチモーダル実験に統合することである。 一貫性のないデータ品質と モデルの複雑さは 機械的な発見を制限する 生成AIとエージェントAIは、モデル生成を自動化し、不確実性を定量化し、実験でカップル理論を組み込むことができる。
  論文  参考訳（メタデータ） (2025-10-21T04:35:26Z)
• Surrogate modeling for uncertainty quantification in nonlinear dynamics [0.0]
  工学における複雑なシステムの振る舞いを予測するには、しばしば運用条件に関する重大な不確実性を伴う。 不確実性定量化(UQ)は、モデリングベースのエンジニアリングにおいて重要なツールとなっている。 本章では,UQにおける代理モデリング手法のレビューを紹介する。
  論文  参考訳（メタデータ） (2025-07-16T15:57:09Z)
• Targeted Reduction of Causal Models [55.11778726095353]
  因果表現学習(Causal Representation Learning)は、シミュレーションで解釈可能な因果パターンを明らかにするための有望な道を提供する。 本稿では、複雑な相互作用可能なモデルを因果因子の簡潔な集合に凝縮する方法であるTCR(Targeted Causal Reduction)を紹介する。 複雑なモデルから解釈可能な高レベルな説明を生成する能力は、玩具や機械システムで実証されている。
  論文  参考訳（メタデータ） (2023-11-30T15:46:22Z)
• Neural Operators for Accelerating Scientific Simulations and Design [85.89660065887956]
  Neural Operatorsとして知られるAIフレームワークは、継続的ドメインで定義された関数間のマッピングを学習するための原則的なフレームワークを提供する。 ニューラルオペレータは、計算流体力学、天気予報、物質モデリングなど、多くのアプリケーションで既存のシミュレータを拡張または置き換えることができる。
  論文  参考訳（メタデータ） (2023-09-27T00:12:07Z)
• Physics-inspired Equivariant Descriptors of Non-bonded Interactions [0.0]
  本稿では,多種多様なLR相互作用を一貫した方法で処理できる長距離同変(LODE)フレームワークの拡張について述べる。 我々は、よりシンプルで効率的な実装を可能にするマルチポール拡張を用いて、これらを直接物理的に解釈する。
  論文  参考訳（メタデータ） (2023-08-25T07:04:16Z)

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。