論文の概要: A Padding Method for Enhanced Encoding of Inorganic Structures with Varying Chemical Compositions

• arxiv url: http://arxiv.org/abs/2605.30743v2
• Date: Mon, 01 Jun 2026 14:04:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 18:24:16.847694
• Title: A Padding Method for Enhanced Encoding of Inorganic Structures with Varying Chemical Compositions
• Title（参考訳）: 化学組成の異なる無機構造物のパディング法
• Authors: Thang Dang, Haderbache Amir, Tzanakakis Alexandros, Yoshimoto Yuta,
• Abstract要約: ドメイン固有対称性認識表現を利用して無機材料のコード化と生成を再定義する新しい手法を提案する。 エンコーダアーキテクチャにWyckoff位置認識パディングを組み込むことにより、無機材料のより堅牢な情報表現を実現する。 この対称性駆動の強化はディープラーニングモデルを改善し、より優れた精度と計算効率で安定した、未探索の無機構造を生成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Designing novel inorganic materials through generative models remains an important challenge for material science, driven by the complexity and diversity of inorganic structures across expansive chemical compositions and structural landscape. The vast combinatorial space of inorganic compounds demands innovative, AI-driven approaches to overcome limitations in generative accuracy and efficiency. To address this, we introduce a novel method that redefines the encoding and generation of inorganic materials by utilizing domain-specific symmetry-aware representation. Our approach not only refines the representation of intricate inorganic structures but also contributes to the field of material discovery by enhancing the precision and stability of generated candidates. Central to our methodology is a novel padding technique that exploits crystal symmetry information to enhance the encoding process. By integrating Wyckoff position length-aware padding into an encoder architecture, we achieve a more robust informed representation of inorganic materials. This symmetry-driven enhancement improves deep learning models to generate stable, previously unexplored inorganic structures with superior accuracy and computational efficiency. Furthermore, we introduce an end-to-end system that leverages the machine learning potential models to seamlessly generate novel, even those unseen in the training data, and stable inorganic materials from initial data to validated output. This pipeline integrates advanced generative models with stability analysis, marking a significant leap forward in the automated exploration and design of next-generation inorganic materials. Our method improved reconstruction accuracy 5.3% in proton conductor data, and generated 63.5% more novel stable inorganic material to baseline model on the perov-5 dataset.
• Abstract（参考訳）: 生成モデルによる新規な無機材料の設計は、膨張する化学組成と構造景観にまたがる無機構造の複雑さと多様性によって、材料科学にとって重要な課題である。 無機化合物の膨大な組み合わせ空間は、生成精度と効率の限界を克服するために、革新的なAI駆動のアプローチを要求する。 そこで本研究では,ドメイン固有対称性認識表現を用いて無機材料のコード化と生成を再定義する手法を提案する。 我々のアプローチは複雑な無機構造の表現を洗練させるだけでなく、生成した候補の精度と安定性を高めることによって物質発見の分野にも貢献する。 我々の手法の中心は、結晶対称性情報を利用して符号化プロセスを強化する新しいパディング技術である。 エンコーダアーキテクチャにWyckoff位置認識パディングを組み込むことにより、無機材料のより堅牢な情報表現を実現する。 この対称性駆動の強化はディープラーニングモデルを改善し、より優れた精度と計算効率で安定した、未探索の無機構造を生成する。 さらに,機械学習のポテンシャルモデルを利用して,トレーニングデータに見えないものであっても,シームレスに新規な生成を行うエンド・ツー・エンドシステムを導入し,初期データから評価出力までの無機材料を安定的に生成する。 このパイプラインは、先進的な生成モデルと安定性解析を統合し、次世代無機材料の自動探査と設計において、大きな飛躍をもたらした。 提案手法は, プロトン導体データ中の5.3%の再構成精度を向上し, ペロブ5データセットのベースラインモデルに対して, 新規な安定無機材料を63.5%生成した。

関連論文リスト

• PeroMAS: A Multi-agent System of Perovskite Material Discovery [51.859972927223936]
  ペロブスカイト太陽電池(PSC)は優れた光電子性能とコストポテンシャルで有名である。 既存のAIアプローチは主に、マテリアルデザイン、プロセス最適化、プロパティ予測など、独立したモデルに焦点を当てている。 ペロブスカイト材料発見のためのマルチエージェントシステムPeroMASを提案する。
  論文  参考訳（メタデータ） (2026-02-10T09:33:06Z)
• The Rise of Generative AI for Metal-Organic Framework Design and Synthesis [11.906896137135897]
  生成人工知能の進歩は、金属-有機フレームワーク(MOF)の設計と発見の仕方を変えつつある。 このパースペクティブは、MOF候補の厳格な列挙から、オンデマンドで新しい多孔質構造体を自律的に提案、合成できる生成的アプローチへの移行を導入する。
  論文  参考訳（メタデータ） (2025-08-15T21:49:17Z)
• GUST: Quantifying Free-Form Geometric Uncertainty of Metamaterials Using Small Data [0.0]
  GUST (Generative Uncertainty Learning via Self-supervised pretraining and Transfer Learning) は、メタマテリアルの製造に固有の自由形式の幾何学的不確実性を定量化するフレームワークである。
  論文  参考訳（メタデータ） (2025-05-28T18:40:15Z)
• UniGenX: a unified generative foundation model that couples sequence, structure and function to accelerate scientific design across proteins, molecules and materials [62.72989417755985]
  自然系における関数の統一生成モデルUniGenXを提案する。 UniGenXはシンボルトークンと数値トークンの混合ストリームとして異種入力を表す。 ドメイン間のファンクション・アウェア・ジェネレーションに対して、最先端または競合的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-03-09T16:43:07Z)
• Establishing baselines for generative discovery of inorganic crystals [0.0]
  生成的人工知能は、材料発見のための有望な道を提供するが、従来の方法に対するその優位性はいまだ不明である。 本研究では、電荷バランスのプロトタイプのランダム列挙と既知の化合物のデータ駆動イオン交換という、2つのベースラインアプローチを導入し、ベンチマークする。 以上の結果から, イオン交換などの確立された手法は, 安定な新規物質を生成できるが, それらの多くはよく知られている化合物とよく似ている。
  論文  参考訳（メタデータ） (2025-01-04T00:14:59Z)
• Efficient Symmetry-Aware Materials Generation via Hierarchical Generative Flow Networks [52.13486402193811]
  新しい固体材料は、結晶構造の広大な空間を急速に探索し、安定した領域を探索する必要がある。 既存の手法では、大きな材料空間を探索し、望ましい特性と要求を持った多様なサンプルを生成するのに苦労している。 本研究では, 材料空間の対称性を効果的に活用し, 所望の特性を持つ結晶構造を生成するために, 階層的探索戦略を用いた新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-11-06T23:53:34Z)
• UAlign: Pushing the Limit of Template-free Retrosynthesis Prediction with Unsupervised SMILES Alignment [51.49238426241974]
  本稿では,テンプレートのないグラフ・ツー・シーケンスパイプラインであるUAlignを紹介した。 グラフニューラルネットワークとトランスフォーマーを組み合わせることで、分子固有のグラフ構造をより効果的に活用することができる。
  論文  参考訳（メタデータ） (2024-03-25T03:23:03Z)
• 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)

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。