論文の概要: MatBind: A Shared Embedding Space for Multimodal Materials Characterization

• arxiv url: http://arxiv.org/abs/2607.08470v1
• Date: Thu, 09 Jul 2026 13:28:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.55083
• Title: MatBind: A Shared Embedding Space for Multimodal Materials Characterization
• Title（参考訳）: MatBind:マルチモーダル材料評価のための共有埋め込みスペース
• Authors: Le Yang, Anoop K. Chandran, Jona Östreicher, Evgenii Sovetkin, Adrian Mirza, Sebastien Bompas, Bashir Kazimi, Pascal Friederich, Stefan Kesselheim, Kevin Maik Jablonka, Stefan Sandfeld,
• Abstract要約: MatBindは,4つの素材のモダリティを統一的な埋め込み空間に整列させる,対照的な学習フレームワークである。 その結果、異種物質データを一つの物理現実の相補的投影として扱うことは、実際的な選択ではなく、基礎となる物理と一致していることがわかった。
• 参考スコア（独自算出の注目度）: 5.373373592868313
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fully characterizing a crystalline material requires integrating heterogeneous data sources -- atomic structures, diffraction patterns, electronic density of states, and natural language -- each of which captures a different facet of the same physical object. In practice, however, these modalities are stored and analyzed in isolation, making it difficult to relate or query materials across representational boundaries. We present MatBind, a contrastive learning framework that aligns four materials modalities -- crystal structure, powder X-ray diffraction (pXRD) simulated from structures, density of states (DOS), and text -- into a unified embedding space using crystal structure as the central physical anchor. The framework induces alignment between modalities never explicitly paired during training, enabling emergent zero-shot cross-modal retrieval as a direct consequence of the shared representation. The learned embedding space organizes materials according to physically meaningful properties without explicit supervision, and retrieval performance improves systematically when modalities are combined at query time. These results demonstrate that treating heterogeneous materials data as complementary projections of a single physical reality, rather than as isolated data sources, is not a practical choice but is consistent with the underlying physics.
• Abstract（参考訳）: 結晶材料の完全な特徴付けには、原子構造、回折パターン、状態の電子密度、自然言語といった異種データソースを統合する必要がある。 しかし、実際には、これらのモダリティは独立して保存され、分析されるため、表現境界を越えて材料を関連づけたりクエリしたりすることは困難である。 本研究では, 結晶構造, 粉末X線回折 (pXRD) を, 構造, 状態密度 (DOS) , テキストから模擬した4つの材料を, 結晶構造を中心となる物理アンカーとして統合した埋め込み空間に整列させる, 対照的な学習フレームワークであるMatBindを提案する。 このフレームワークは、トレーニング中に明示的にペア化されないモダリティ間のアライメントを誘導し、共有表現の直接的な結果として、創発的なゼロショットのクロスモーダル検索を可能にする。 学習された埋め込み空間は、明示的な監督なしに、物理的に意味のある特性に従って材料を整理し、クエリ時にモダリティが組み合わされた場合、検索性能は体系的に向上する。 これらの結果から, 異種物質データを独立したデータソースとしてではなく, 一つの物理現実の相補的投影として扱うことは, 現実的な選択ではなく, 基礎となる物理と整合性があることが示唆された。

関連論文リスト

• Exploring Physical Intelligence Emergence via Omni-Modal Architecture and Physical Data Engine [50.62040226184694]
  我々はOmniFysicsについて紹介する。OmniFysicsは、画像、音声、ビデオ、テキスト間の理解を統一するコンパクトなオムニモーダルモデルである。 明示的な物理知識を注入するために、2つのコンポーネントからなる物理データエンジンを構築します。 実験は、標準マルチモーダルベンチマークにおける競合性能を示し、物理指向評価の結果を改善した。
  論文  参考訳（メタデータ） (2026-02-05T14:04:51Z)
• Learning ORDER-Aware Multimodal Representations for Composite Materials Design [15.819480337529741]
  ORDinal-aware imagE-tabulaRアライメント(ORDER)は,複合材料表現の中核原理としてオーディナリティを確立するマルチモーダル事前学習フレームワークである。 ORDERは、類似の標的特性を持つ物質が潜在空間の近傍領域を占めることを保証し、複合物性の連続的な性質を効果的に保存する。
  論文  参考訳（メタデータ） (2026-01-23T06:39:01Z)
• MASIV: Toward Material-Agnostic System Identification from Videos [76.36666848173141]
  MASIVは、物質に依存しないシステム識別のためのビジョンベースのフレームワークである。 学習可能なニューラルモデルを採用し、シーン固有の物質を事前に仮定することなく、オブジェクトのダイナミクスを推定する。 幾何的精度、レンダリング品質、一般化能力において最先端の性能を達成する。
  論文  参考訳（メタデータ） (2025-08-01T23:23:45Z)
• Causal Discovery from Data Assisted by Large Language Models [50.193740129296245]
  知識駆動発見のために、実験データと事前のドメイン知識を統合することが不可欠である。 本稿では、高分解能走査透過電子顕微鏡(STEM)データと大規模言語モデル(LLM)からの洞察を組み合わせることで、このアプローチを実証する。 SmドープBiFeO3(SmBFO)におけるChatGPTをドメイン固有文献に微調整することにより、構造的、化学的、分極的自由度の間の因果関係をマッピングするDAG(Directed Acyclic Graphs)の隣接行列を構築する。
  論文  参考訳（メタデータ） (2025-03-18T02:14:49Z)
• MaRI: Material Retrieval Integration across Domains [13.686066106732696]
  既存の手法は、形状不変および光に照らされた材料表現をキャプチャするデータセットに依存している。 合成材料と実世界の材料間の特徴空間ギャップを橋渡しするフレームワークであるMaRIを紹介する。
  論文  参考訳（メタデータ） (2025-03-11T07:23:11Z)
• 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)
• 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)
• Modeling Dislocation Dynamics Data Using Semantic Web Technologies [0.0]
  広く研究されている重要な材料は、金属や半導体を含む結晶材料である。 転位は強度、骨折、延性など様々な材料特性に影響を与える。 本稿では, 転位力学シミュレーションから得られたデータをWeb技術を用いてモデル化する方法について述べる。
  論文  参考訳（メタデータ） (2023-09-13T13:03:44Z)

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。