論文の概要: Substitution-Based Analysis of Structural Novelty for Generative Models of Materials

• arxiv url: http://arxiv.org/abs/2606.23166v1
• Date: Mon, 22 Jun 2026 11:07:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 23:39:33.163263
• Title: Substitution-Based Analysis of Structural Novelty for Generative Models of Materials
• Title（参考訳）: 材料生成モデルのための構造的新規性の置換に基づく解析
• Authors: Masahiro Negishi, Aron Walsh,
• Abstract要約: 我々は、AI生成結晶がトレーニング構造であり、元素置換によって再現可能であるか、どちらの基準で適合しないかを評価するワークフローを開発する。 このワークフローを代表生成モデルに適用すると、81-92%の化学的に有効で準安定な結晶が複製または置換に由来する構造を訓練していることが明らかになった。 本研究は, 高対称性領域における既知の構造プロトタイプに対するバイアスを示すモデル生成の限界を明らかにするものである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: There has been rapid progress in generative artificial intelligence (AI) models for inorganic crystal design, which can efficiently generate large numbers of candidate compounds after being trained on databases of known crystals. However, it remains unclear whether they genuinely expand the accessible materials search space beyond conventional strategies such as elemental substitution within known structure types. We address this question by developing a workflow to assess whether AI-generated crystals are duplicates of training structures, reproducible by elemental substitution, or unmatched by either criterion. Applying this workflow to representative generative models reveals that 81-92% of chemically valid and metastable generated crystals are either training duplicates or substitution-derived structures. This tendency is particularly strong in high-symmetry crystal systems, even though many possible structural prototypes remain unexplored. Further analysis of the underlying structural fingerprints shows that low-symmetry structures beyond duplication or substitution can be interpreted as interpolation in training-data-rich regions, while high-symmetry duplicates appear to result from memorisation in training-sparse regions. Our findings highlight a limitation in the current generation of models that exhibit a bias towards known structural prototypes in the high symmetry regions, but enable wider exploration of the low-symmetry structural space.
• Abstract（参考訳）: 無機結晶設計のための生成人工知能(AI)モデルは急速に進歩しており、既知の結晶のデータベースでトレーニングした後、大量の候補化合物を効率的に生成することができる。 しかし, 既知構造型内の元素置換など, 従来の戦略を超えて, アクセス可能な資料検索空間を真に拡大するか否かは, 定かでない。 我々は、AI生成結晶がトレーニング構造の複製なのか、元素置換で再現可能なのか、どちらの基準で適合していないのかを評価するワークフローを開発することで、この問題に対処する。 このワークフローを代表生成モデルに適用すると、81-92%の化学的に有効で準安定な結晶が複製または置換に由来する構造を訓練していることが明らかになった。 この傾向は高対称性の結晶系では特に強く、多くの構造的プロトタイプが未解明のままである。 基礎となる構造指紋のさらなる分析は、重複や置換以外の低対称性構造は、訓練データ豊富な領域では補間として解釈できることを示している。 本研究は, 高対称性領域における既知構造体への偏りを示すモデル生成の限界を明らかにするとともに, 低対称性構造体空間のより広い探索を可能にした。

関連論文リスト

• PathAR: Structure-First Autoregressive Synthesis of Multimodal Pathology Images [51.428093790826814]
  そこで我々は, モーダリティ・ラベル条件付き病理モデル (PathAR) を用いて, 構造と外観を分解し, 自己回帰モデル(PathAR)を提案する。 PathARは、不均一なモダリティ固有の外観下で形態を安定化し、空間的に整列したイメージマスクペア生成を可能にする。
  論文  参考訳（メタデータ） (2026-06-01T01:43:48Z)
• 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)
• Universal Fine-Grained Symmetry Inference and Enforcement for Rigorous Crystal Structure Prediction [3.5802790319269717]
  結晶構造予測(CSP)は、結晶の3次元原子配置をその組成から予測することを目的としている。 既存のディープラーニングモデルは、しばしば、ソフトまたはスペースグループと既知の構造から取得されたウィコフテンプレートにのみ依存する結晶対称性を扱う。 対照的に,本手法は大規模言語モデルを用いて化学意味論を符号化し,Wyckoffパターンを合成から直接生成する。
  論文  参考訳（メタデータ） (2026-02-19T08:43:25Z)
• CrystalDiT: A Diffusion Transformer for Crystal Generation [52.45780803467369]
  本稿では,結晶構造生成のための拡散変圧器であるCrystalDiTについて述べる。 CrystalDiTは、格子と原子特性を単一の相互依存系として扱う、強力な誘導バイアスを課す統一トランスフォーマーを使用している。
  論文  参考訳（メタデータ） (2025-08-13T12:53:32Z)
• 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)
• Generative Hierarchical Materials Search [91.93125016916463]
  結晶構造の制御可能な生成のための生成階層材料探索(GenMS)を提案する。 GenMSは(1)高レベル自然言語を入力とし、結晶に関する中間テキスト情報を生成する言語モデルからなる。 GenMSはまた、生成された結晶構造から特性(たとえば生成エネルギー)を予測するためにグラフニューラルネットワークを使用する。
  論文  参考訳（メタデータ） (2024-09-10T17:51:28Z)
• 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)
• Data-Driven Score-Based Models for Generating Stable Structures with Adaptive Crystal Cells [1.515687944002438]
  本研究は, 化学安定性や化学組成など, 新しい結晶構造を創出することを目的としている。 提案手法の新規性は、結晶細胞の格子が固定されていないという事実にある。 対称性の制約を尊重し、計算上の優位性をもたらす多グラフ結晶表現が導入された。
  論文  参考訳（メタデータ） (2023-10-16T02:53:24Z)

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。