論文の概要: XRDiff: Crystal Structure Prediction from Powder X-Ray Diffraction Data Using Diffusion Models

• arxiv url: http://arxiv.org/abs/2606.14003v1
• Date: Fri, 12 Jun 2026 00:51:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:42.698473
• Title: XRDiff: Crystal Structure Prediction from Powder X-Ray Diffraction Data Using Diffusion Models
• Title（参考訳）: XRDiff:拡散モデルを用いた粉末X線回折データからの結晶構造予測
• Authors: Nofit Segal, Mingda Li, Benjamin Kurt Miller, Rafael Gómez-Bombarelli,
• Abstract要約: 生成モデリングは、原子構造よりも先行的な構造を提供し、PXRDパターンから結晶構造へのマッピングを学ぶことができる。 本稿では,PXRDから結晶構造を復元する拡散モデルであるXRDiffについて述べる。
• 参考スコア（独自算出の注目度）: 8.082200701430061
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Determining the crystal structure of a material from its powder X-ray diffraction (PXRD) pattern is a central challenge in materials science. PXRD is an accessible and widely used characterization technique, yet recovering the atomic structure from diffraction data requires solving an underdetermined inverse problem due to the loss of phase information. Generative modeling can provide a prior over atomic structure and learn the mapping from PXRD patterns to crystal structures via simulated structure-spectrum pairs. We present XRDiff, a diffusion model that recovers crystal structures from PXRD given either the stoichiometry or, in a more challenging setting, the elemental constituents and total number of atoms in the unit cell. We evaluate on datasets where each stoichiometry has multiple polymorphs and all polymorphs of a given composition are held out together, ensuring that high performance reflects genuine use of the diffraction signal. XRDiff achieves strong structure recovery rates on simulated benchmarks, indicating that the model learns a spectrum-to-structure mapping precise enough to differentiate between polymorphs. To address generalization to experimental data, we compare a full-spectrum encoding against an encoding based on peak descriptors. The peak-based encoding generalizes substantially better, outperforming even a model trained on full spectra with augmentations fitted to the experimental noise distribution. These results demonstrate that representations robust to the noise and artifacts present in real-world PXRD offer a practical and scalable path toward closing the simulation-to-experiment gap, enabling zero-shot crystal structure solution from experimental PXRD with full or partial chemical composition input.
• Abstract（参考訳）: 粉末X線回折(PXRD)パターンから物質の結晶構造を決定することは、材料科学における中心的な課題である。 PXRDは、アクセス可能で広く使われている特性解析手法であるが、回折データから原子構造を復元するには、位相情報の喪失による不確定な逆問題の解決が必要である。 生成モデリングは、先行的な原子構造を提供し、シミュレーションされた構造-スペクトル対を通して、PXRDパターンから結晶構造へのマッピングを学ぶことができる。 本稿では,PXRDから結晶構造を復元する拡散モデルであるXRDiffについて述べる。 本研究では,各確率計が複数の多形を持ち,与えられた構成のすべての多形が同時に保持されるデータセット上で評価を行い,高い性能が回折信号の真の使用を反映していることを保証する。 XRDiffは、シミュレーションされたベンチマーク上で強い構造回復率を達成し、モデルがポリモルフィックを区別するのに十分正確なスペクトル-構造マッピングを学習することを示す。 実験データへの一般化に対処するため,ピーク記述子に基づく符号化とフルスペクトル符号化を比較した。 ピークベース符号化は、実験ノイズ分布に適応した拡張を伴うフルスペクトルで訓練されたモデルでさえも、大幅に向上する。 これらの結果は、実世界のPXRDに存在するノイズやアーチファクトに頑健な表現は、シミュレーションと実験のギャップを埋める実践的でスケーラブルな経路を提供し、完全または部分的な化学組成入力による実験的なPXRDからのゼロショット結晶構造解を可能にすることを示している。

関連論文リスト

• XDecomposer: Learning Prior-Free Set Decomposition for Multiphase X-ray Diffraction [7.54947954086392]
  XDecomposerは,多相XRDパターンの結合分解と同定のための事前自由なフレームワークである。 実験により、XDecomposerは様々な化学系における再構成精度と位相同定を大幅に改善することが示された。
  論文  参考訳（メタデータ） (2026-05-07T08:33:56Z)
• AI-Driven Structure Refinement of X-ray Diffraction [6.970927372252305]
  このアルゴリズムは,ブラッグの法則をバッチ予測における明示的な制約へと変換する。 ブラッグに一貫性があり、不確実性を認識した強度を洗練可能なインターフェースとして提供することにより、WPEMはAI生成仮説と回折許容構造洗練の間のギャップを埋める。
  論文  参考訳（メタデータ） (2026-02-18T11:14:35Z)
• 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)
• XDXD: End-to-end crystal structure determination with low resolution X-ray diffraction [22.50406008374185]
  我々は,低解像度単結晶X線回折データから直接完全な原子モデルを決定するための,最初のエンドツーエンドディープラーニングフレームワークであるXDXDを紹介する。 我々のモデルは、2.0AA解像度に制限されたデータを持つ構造に対して70.4%の一致率を達成し、根平均二乗誤差(RMSE)は0.05未満である。
  論文  参考訳（メタデータ） (2025-10-20T15:50:21Z)
• DiffSpectra: Molecular Structure Elucidation from Spectra using Diffusion Models [68.19129717255053]
  本稿では、分子構造解明を条件生成プロセスとして定式化する生成フレームワークであるDiffSpectraについて述べる。 我々の実験では、DiffSpectraが分子構造を正確に解明し、40.76%のトップ-1と99.49%のトップ10を達成している。
  論文  参考訳（メタデータ） (2025-07-09T13:57:20Z)
• Spectra-to-Structure and Structure-to-Spectra Inference Across the Periodic Table [49.65586812435899]
  XAStructは、結晶構造からXASスペクトルを予測し、XAS入力から局所構造記述子を推測できる学習ベースのシステムである。 XAStructは、周期表全体にわたって70以上の要素にまたがる大規模なデータセットでトレーニングされている。
  論文  参考訳（メタデータ） (2025-06-13T15:58:05Z)
• DiffMS: Diffusion Generation of Molecules Conditioned on Mass Spectra [60.39311767532607]
  本稿では,DiffMSを提案する。DiffMS,式制限付きエンコーダ・デコーダ生成ネットワークは,このタスクにおける最先端性能を実現する。 遅延埋め込みと分子構造をブリッジするロバストデコーダを開発するために,フィンガー構造対による拡散デコーダの事前訓練を行う。 確立されたベンチマーク実験により、DiffMSはデノボ分子生成における既存のモデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-02-13T18:29:48Z)
• End-to-End Crystal Structure Prediction from Powder X-Ray Diffraction [37.563382606039006]
  本研究では,PXRDを用いた結晶構造予測モデルであるXtalNetを紹介する。 XtalNetはPXRDを付加条件として利用し、曖昧さを排除し、単位細胞に最大400個の原子を持つ複雑な有機構造を生成する。 XtalNetは、条件付き結晶構造予測タスクにおいて、hMOF-100とhMOF-400において、90.2%と79%のトップ10マッチングレートを達成する。
  論文  参考訳（メタデータ） (2024-01-08T12:50:17Z)
• Disentangling multiple scattering with deep learning: application to strain mapping from electron diffraction patterns [48.53244254413104]
  我々は、高非線形電子回折パターンを定量的構造因子画像に変換するために、FCU-Netと呼ばれるディープニューラルネットワークを実装した。 結晶構造の異なる組み合わせを含む20,000以上のユニークな動的回折パターンを用いてFCU-Netを訓練した。 シミュレーションされた回折パターンライブラリ、FCU-Netの実装、訓練されたモデルの重み付けは、オープンソースリポジトリで自由に利用可能です。
  論文  参考訳（メタデータ） (2022-02-01T03:53:39Z)

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。