論文の概要: MatMind: A Structure-Activity Knowledge-Driven Generative Foundation Model for Materials Science

• arxiv url: http://arxiv.org/abs/2606.07712v1
• Date: Fri, 05 Jun 2026 14:11:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:05.308446
• Title: MatMind: A Structure-Activity Knowledge-Driven Generative Foundation Model for Materials Science
• Title（参考訳）: MatMind: 物質科学のための構造活性知識駆動生成基盤モデル
• Authors: Zhan'ao Yao, Boxuan Zhang, Jingyuan Shu, Xiaoyu Wu, Rongyan Wang, Linjing Li, Dajun Zeng, Yudong Yao, Tingwei Chen, Youwei Wang, Xiaolin Zhao, Jiahui Shi, Jianjun Liu,
• Abstract要約: MatMindはこのパラダイムの下で結晶材料科学のために作られた生成基礎モデルである。 プログレッシブトレーニングフレームワーク内で、構造活性知識の協調的活性化と物理インフォームドフィードバックによって開発される。
• 参考スコア（独自算出の注目度）: 25.041404632689545
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Progress in AI-driven crystal materials science has so far been carried by narrow architectures purpose-built for individual tasks -- graph neural networks for property prediction, diffusion and flow-matching models for crystal generation -- each excelling within its niche yet unable to act as a shared backbone across the full spectrum of materials problems. Generative large language models offer a fundamentally different paradigm, in which structural representation, quantitative prediction, and structure-activity reasoning can be unified within one model, but the materials community has yet to see this paradigm realized at a level competitive with established narrow specialists. Here we present MatMind, a generative foundation model purpose-built for crystal materials science under this paradigm, developed through the coordinated activation of structure-activity knowledge and physics-informed feedback within a progressive training framework -- combining structure-activity knowledge injection, a dual-head architecture that jointly trains language reasoning and numerical regression in a shared representation space, and multi-objective physics-informed reinforcement learning over stability, novelty, and structural diversity. Across three task families, MatMind attains the lowest mean absolute error on energy above hull, bulk modulus, and band gap -- surpassing graph neural network predictors purpose-built for these tasks -- reaches an S.U.N. rate of 65.3% on unconditional crystal generation, and achieves a comparable multiplicative improvement on magnetization-density-conditioned generation, where only 21 positive samples exist within over 600000 training entries. By matching or surpassing narrow specialists on their own ground while operating within a single unified model, MatMind shows that the LLM-based paradigm can serve as a viable backbone for crystal materials science going forward.
• Abstract（参考訳）: AI駆動の結晶材料科学の進歩は、個々のタスクのために構築された狭いアーキテクチャー -- 特性予測のためのグラフニューラルネットワーク、結晶生成のための拡散モデル、フローマッチングモデル -- によって達成されてきた。 生成的大言語モデルは、構造表現、定量的予測、構造活性推論を一つのモデルに統合できるという、根本的に異なるパラダイムを提供するが、資料コミュニティはこのパラダイムを、確立された狭義の専門家と競合するレベルで実現していない。 本稿では,本パラダイムに基づく結晶材料科学のための生成基盤モデルであるMatMindについて,構造活性知識の協調活性化と,構造活性知識注入と,共用表現空間における言語推論と数値回帰を共同で訓練するデュアルヘッドアーキテクチャと,安定性,新規性,構造多様性に関する多目的物理インフォームド強化学習とを組み合わせて開発する。 3つのタスクファミリで、マトミンドは船体、バルク率、バンドギャップの上のエネルギーの絶対誤差が最低に達し、これらのタスクのために構築されたグラフニューラルネットワーク予測器を超え、無条件の結晶生成において65.3%のS.U.N.レートに達し、磁化密度条件付き生成において同等の乗法的改善を達成し、600000以上のトレーニングエントリ内に21の正のサンプルしか存在しない。 MatMindは、単一の統一モデルで運用しながら、狭いスペシャリストをマッチングまたは超えることによって、LCMベースのパラダイムが、今後の結晶材料科学のバックボーンとして機能することを示している。

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)
• The Trinity of Consistency as a Defining Principle for General World Models [106.16462830681452]
  一般世界モデルは、客観的物理法則を学習し、シミュレートし、推論することができる。 本稿では,一般世界モデルに必要な基本的特性を定義するための理論的枠組みを提案する。 我々の研究は、現在のシステムの限界と将来の進歩のためのアーキテクチャ要件の両方を明確にし、一般的な世界モデルへの原則的な経路を確立します。
  論文  参考訳（メタデータ） (2026-02-26T16:15:55Z)
• NExT-OMNI: Towards Any-to-Any Omnimodal Foundation Models with Discrete Flow Matching [64.10695425442164]
  NExT-OMNI(英語版)は、離散フローパラダイムによる統一モデリングを実現するオープンソース・オムニモーダル・ファンデーション・モデルである。 NExT-OMNIは、大規模なインターリーブ付きテキスト、画像、ビデオ、オーディオデータに基づいて訓練され、マルチモーダル生成および理解ベンチマーク上で競合するパフォーマンスを提供する。 さらなる研究を進めるために、トレーニングの詳細、データプロトコル、およびコードとモデルチェックポイントの両方をオープンソース化する。
  論文  参考訳（メタデータ） (2025-10-15T16:25:18Z)
• MOFSimBench: Evaluating Universal Machine Learning Interatomic Potentials In Metal--Organic Framework Molecular Modeling [0.19506923346234722]
  UMLIP(Universal Machine Learning Interatomic potentials)は、原子論シミュレーションを加速するための強力なツールとして登場した。 ナノポーラス材料の主要材料モデリングタスクにおけるuMLIPの評価ベンチマークであるMOFSimBenchを紹介する。 トップパフォーマンスのuMLIPは、古典的な力場や、あらゆるタスクにわたって微調整された機械学習能力より一貫して優れています。
  論文  参考訳（メタデータ） (2025-07-16T00:00:55Z)
• CLOUD: A Scalable and Physics-Informed Foundation Model for Crystal Representation Learning [0.0]
  CLOUD(Crystal Language mOdel for Unified and Differentiable Materials Modeling)は,新しいSCOPE(Symmetry-Consistent SCOPE)をトレーニングしたトランスフォーマーベースのフレームワークである。 CLOUDは600万以上の結晶構造で事前訓練されており、幅広い材料特性を予測する上での競争性能を達成する。 異種材料モデリングの概念の証明として, フォノン内部エネルギーと熱容量の予測にCLOUDを適用した。
  論文  参考訳（メタデータ） (2025-06-19T15:45:24Z)
• MatterTune: An Integrated, User-Friendly Platform for Fine-Tuning Atomistic Foundation Models to Accelerate Materials Simulation and Discovery [7.1240120153291535]
  MatterTuneは、高度な微調整機能を提供し、原子論の基礎モデルを下流の材料情報とシミュレーションにシームレスに統合するフレームワークである。 MatterTuneはORB、MatterSim、JMP、EquformerV2といった最先端の基礎モデルをサポートしている。
  論文  参考訳（メタデータ） (2025-04-14T19:12:43Z)
• MatLLMSearch: Crystal Structure Discovery with Evolution-Guided Large Language Models [27.083255538087215]
  事前学習されたLarge Language Models (LLMs) は, 微調整を伴わずに, 本質的に新規で安定した結晶構造を生成可能であることを示す。 我々のフレームワークは、進化的パイプライン内でLSMをインテリジェントな提案エージェントとして使用し、暗黙のクロスオーバーと突然変異操作を実行するように誘導する。 MatLLMSearchは、機械学習の原子間ポテンシャルによって78.38%の準安定率と31.7%のDFT認証安定性を達成している。
  論文  参考訳（メタデータ） (2025-02-28T10:41:16Z)
• 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。