論文の概要: Towards Automated Discovery: A Review of Generative Models, Multimodal Learning and Closed-Loop Workflows in Inverse Materials Design
- arxiv url: http://arxiv.org/abs/2606.02507v1
- Date: Mon, 01 Jun 2026 17:20:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-02 21:34:32.5314
- Title: Towards Automated Discovery: A Review of Generative Models, Multimodal Learning and Closed-Loop Workflows in Inverse Materials Design
- Title（参考訳）: 自動発見に向けて:逆材料設計における生成モデル,マルチモーダル学習,クローズドループワークフローのレビュー
- Authors: Anand Babu, Rogério Almeida Gouvêa, Gian-Marco Rignanese,
- Abstract要約: 本稿では, 結晶構造モデリング, マルチモーダル学習, クローズドループ設計パイプラインの進歩を概観する。
本稿では, 結晶構造, 熱力学, 電子情報, 顕微鏡, 分光, 処理コンテキスト, 科学テキストなど, 多様な材料を融合させる多モード学習について論じる。
我々は,サロゲート利用,多様性の崩壊,分散シフト,安定性と合成可能性のギャップなど,繰り返し発生する障害モードを強調した。
- 参考スコア（独自算出の注目度）: 0.528869303898094
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Inverse materials design is shifting materials discovery from forward prediction to targeted proposal of candidates that satisfy objectives under physical constraints. Here, we review recent advances in generative crystal structure modeling, multimodal learning, and closed-loop design pipelines for crystalline solids. We survey how modern generators learn chemical-structural priors from large databases to enable controllable sampling of periodic structures, and compare leading model classes including variational autoencoders, normalizing flows, autoregressive formulations, and diffusion models. Particular attention is given to how feasibility constraints and physical priors are enforced across the workflow, through representation choices, training objectives, sampling-time guidance, and post-generation screening and relaxation. We also discuss how multimodal learning fuses diverse materials modalities, including crystal structures, thermodynamic, electronic information, microscopy, spectroscopy, processing context, and scientific text, to construct a more universal, transferable representation of chemical space. In addition, diverse inverse-design strategies are examined, particularly those that integrate conditional generation with latent optimization, Bayesian optimization, reinforcement learning, and active learning. Finally, we highlight recurring failure modes, such as surrogate exploitation, diversity collapse, distribution shift, and the stability-synthesizability gap, and outline discovery-grade evaluation practices based on staged reporting of validity, novelty, uniqueness, stability, and cost.
- Abstract（参考訳）: 逆材料設計は、材料発見を前方予測から、物理的制約の下で目的を満たす候補の提案へとシフトさせることである。
本稿では, 結晶構造モデリング, マルチモーダル学習, 閉ループ設計パイプラインの最近の進歩について概説する。
本研究では, 現代の発電機が大規模データベースから化学構造を学習し, 周期構造を制御可能なサンプリングを可能にする方法について調査し, 変動型オートエンコーダ, 正規化フロー, 自己回帰定式化, 拡散モデルなど, 主要なモデルクラスを比較した。
特に、表現の選択、トレーニング目標、サンプリング時間ガイダンス、世代後のスクリーニングと緩和を通じて、ワークフロー全体にわたって実現可能性の制約と物理的な事前が強制されるかに注意が払われる。
また, 結晶構造, 熱力学, 電子情報, 顕微鏡, 分光, 処理コンテキスト, 科学テキストなど, 多様な物質を融合させて, より普遍的で伝達可能な化学空間の表現を構築する方法について論じる。
さらに, 条件生成と潜在最適化, ベイズ最適化, 強化学習, アクティブラーニングを統合した多種多様な逆設計戦略について検討した。
最後に、サロゲート利用、多様性の崩壊、分散シフト、安定性-合成可能性ギャップといった繰り返し発生する障害モードを強調し、妥当性、新規性、特異性、安定性、コストの段階的な報告に基づく発見レベル評価プラクティスを概説する。
関連論文リスト
- A Systematic Survey and Benchmark of Deep Learning for Molecular Property Prediction in the Foundation Model Era [57.5440098776759]
分子特性予測は、量子化学、化学情報学、深層学習を統合し、分子構造と生物学的挙動を結びつける。
この調査は、Quantum、Descriptor Machine Learning、Geometric Deep Learning、Foundation Modelsの4つの補完パラダイムをトレースする。
ベンチマーク分析は、広く使われているデータセットと業界的な視点を反映したデータセットの両方からエビデンスを統合する。
論文 参考訳（メタデータ） (2026-04-17T15:16:33Z) - Finetuning-Free Diffusion Model with Adaptive Constraint Guidance for Inorganic Crystal Structure Generation [7.4621033210394545]
本稿では,適応的制約ガイダンスを用いた拡散モデルに基づく生成機械学習フレームワークを提案する。
本手法は, 無機化合物の古典的な例について検討し, 検証した。
論文 参考訳（メタデータ） (2026-04-14T23:25:54Z) - Generative Modeling in Protein Design: Neural Representations, Conditional Generation, and Evaluation Standards [3.8025175740783026]
生成モデリングはタンパク質研究の中心的なパラダイムとなっている。
この調査は、予測モデリングから信頼性の高い機能駆動タンパク質工学への移行を加速することを目的としている。
論文 参考訳（メタデータ） (2026-03-27T13:02:16Z) - Towards Agentic Intelligence for Materials Science [73.4576385477731]
この調査は、コーパスキュレーションからプレトレーニングから、シミュレーションと実験プラットフォームに面した目標条件付きエージェントまで、ユニークなパイプライン中心の視点を推し進める。
コミュニティをブリッジし、参照の共有フレームを確立するために、まず、AIと材料科学をまたいだ用語、評価、ワークフローの段階を整列する統合レンズを提示する。
論文 参考訳（メタデータ） (2026-01-29T23:48:43Z) - Generative models for crystalline materials [5.856518802859891]
本稿では,結晶構造予測とテクスタイドノボ生成のための生成モデルの現状を概説する。
結晶表現を調べ、結晶構造の設計に使用される生成モデルを概説し、それぞれの強度と限界を評価する。
この研究は、特定の状況に適切なMLモデルを適用することを目指す実験科学者と、逆材料の設計と発見に関するユニークな課題を理解することを目指すMLスペシャリストの両方に通知することを目的としている。
論文 参考訳（メタデータ） (2025-11-27T17:42:10Z) - Guiding Generative Models to Uncover Diverse and Novel Crystals via Reinforcement Learning [13.437119411600499]
本稿では,多種多様だが熱力学的に実現可能な結晶性化合物への潜伏拡散モデルを導出する強化学習フレームワークを提案する。
我々のアプローチは、グループの相対的政策最適化と検証可能な多目的報酬を統合し、創造性、安定性、多様性を共同でバランスさせる。
このアプローチは、制御可能なAI駆動の逆設計のためのモジュラー基盤を確立する。
論文 参考訳（メタデータ） (2025-11-10T14:48:49Z) - Efficient Regression-Based Training of Normalizing Flows for Boltzmann Generators [85.25962679349551]
ボルツマン・ジェネレータ(BG)は効率的なサンプリングと可能性を提供するが、最大可能性によるトレーニングはしばしば不安定であり、計算的に困難である。
本稿では,従来の最大値トレーニングの数値不安定性と計算課題を回避し,新しい,スケーラブルなトレーニング目標である正規化フローの回帰トレーニングを提案する。
論文 参考訳（メタデータ） (2025-06-01T20:32:27Z) - Autoregressive regularized score-based diffusion models for multi-scenarios fluid flow prediction [0.0]
マルチシナリオ流体流予測のための条件付きスコアベース拡散モデルを提案する。
我々のモデルは乱流の統計的性質に根ざしたエネルギー制約を統合する。
重要な物理特性と統計特性を保持しながら、複数のシナリオにわたる正確な結果を達成する。
論文 参考訳（メタデータ） (2025-05-30T02:37:05Z) - Will Pre-Training Ever End? A First Step Toward Next-Generation Foundation MLLMs via Self-Improving Systematic Cognition [89.50068130832635]
自己改善認知 (SIcog) は、マルチモーダル知識によって次世代のMLLMを構築するための自己学習フレームワークである。
ステップバイステップの視覚的理解のためのChain-of-Descriptionを提案し、詳細なマルチモーダル推論をサポートするために構造化されたChain-of-Thought(CoT)推論を統合する。
実験は、マルチモーダル認知を増強したMLLMの開発におけるSIcogの有効性を示す。
論文 参考訳（メタデータ） (2025-03-16T00:25:13Z) - 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) - Geometric Deep Learning for Structure-Based Drug Design: A Survey [83.87489798671155]
構造に基づく薬物設計(SBDD)は、タンパク質の3次元幾何学を利用して、潜在的な薬物候補を特定する。
近年の幾何学的深層学習の進歩は、3次元幾何学的データを効果的に統合・処理し、この分野を前進させてきた。
論文 参考訳（メタデータ） (2023-06-20T14:21:58Z)
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。