論文の概要: ATLAS: A Foundation Neural Sampler for Amorphous Materials
- arxiv url: http://arxiv.org/abs/2607.19198v1
- Date: Tue, 21 Jul 2026 15:31:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-22 19:05:05.475728
- Title: ATLAS: A Foundation Neural Sampler for Amorphous Materials
- Title（参考訳）: ATLAS: アモルファス材料のための基礎的ニューラルサンプリング
- Abstract要約: ATLASはボルツマン分散アモルファス構造を生成する拡散過程を学習する効率的なサンプリング器である。
2次元エルゼン系では、ATLASは平行なマルコフ連鎖モンテカルロ構造分布を再現する。
Cu-ZrおよびCr-Co-Ni金属ガラスにおいて、ATLASは実験的に観察された短距離方向の傾向と所定の順序パラメータに向かってステア構造を復元する。
- 参考スコア（独自算出の注目度）: 38.39923274691799
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Amorphous materials exhibit exceptional mechanical and functional properties, yet their rugged energy landscapes are notoriously difficult to sample. Below the glass-transition temperature, conventional molecular dynamics and Monte Carlo become inefficient because equilibration relies on rare barrier-crossing events, while data-driven generative models are constrained by scarce and biased reference ensembles. Here, we introduce ATLAS, an efficient sampler that learns a diffusion process to generate Boltzmann-distributed amorphous structures directly from a target energy function. Parameterized by an equivariant graph neural network, ATLAS generalizes across system size, temperature, and composition. By exploiting the time reversal of the diffusion process, it enables efficient estimation of thermodynamic quantities and steering toward target observables. In two-dimensional Kob-Andersen systems, ATLAS reproduces parallel tempering Markov chain Monte Carlo structural distributions, free energies and entropies, achieving below 0.2% free energy error in the low-temperature glass regime with over 500-fold fewer energy evaluations. In Cu-Zr and Cr-Co-Ni metallic glasses, ATLAS recovers experimentally observed short-range-order trends and steers structures toward prescribed order parameters and optimized bulk moduli. Moreover, composition-amortized pretraining outperforms composition-specific training from scratch, reduces inverse-design costs by several hundred-fold, and enables sampling with expensive universal machine learning interatomic potentials. Coupled to a large language model agent, ATLAS searches an eight-element space for high-entropy metallic glasses balancing stiffness and ductility, identifying a converged Pareto frontier within 480 oracle evaluations. Together, these results establish ATLAS as a foundation model for sampling, steering and designing amorphous materials.
- Abstract（参考訳）: アモルファス材料は異常な機械的特性と機能的特性を示すが、その頑丈なエネルギー景観はサンプリングが困難であることが知られている。
ガラス転移温度以下では、平衡は希少なバリア交差現象に依存するため、従来の分子動力学とモンテカルロは非効率になるが、データ駆動生成モデルは希少かつ偏りのある参照アンサンブルによって制約される。
本稿では,対象エネルギー関数から直接ボルツマン分布アモルファス構造を生成する拡散過程を学習する効率的なサンプリング器ATLASを紹介する。
同変グラフニューラルネットワークによってパラメータ化され、ATLASはシステムサイズ、温度、組成をまたいだ一般化を行う。
拡散過程の時間逆転を利用して、熱力学的量の効率的な推定と目標観測値への操舵を可能にする。
2次元コブ・アンデルセン系では、ATLASはマルコフ連鎖モンテカルロ構造分布、自由エネルギー、エントロピーを再現し、500倍以上のエネルギー評価で低温ガラス系において0.2%以下の自由エネルギー誤差を達成している。
Cu-ZrおよびCr-Co-Ni金属ガラスにおいて、ATLASは所定の順序パラメータと最適化バルク変調に対する短距離方向の傾向とステア構造を実験的に回収する。
さらに、合成調整前トレーニングは、スクラッチから構成固有のトレーニングを上回り、逆設計コストを数百倍に削減し、高価なユニバーサル機械学習の原子間ポテンシャルによるサンプリングを可能にする。
大規模言語モデルエージェントと組み合わせて、ATLASは硬さと延性にバランスをとる高エントロピー金属眼鏡の8要素空間を探索し、480オラクル評価において収束したパレートフロンティアを同定した。
これらの結果は, アモルファス材料をサンプリング, ステアリング, 設計するための基礎モデルとしてATLASを確立した。
関連論文リスト
- Neutron and X-ray Diffraction Reveal the Limits of Long-Range Machine Learning Potentials for Medium-Range Order in Silica Glass [2.5432391525687748]
ガラスシリカは光学とエレクトロニクスの基礎となる材料である。
中距離オーダー(MRO)を正確に予測することは、機械学習の原子間ポテンシャルにとって大きな課題である。
ここでは、中性子とX線回折の測定を、2つのMACEモデルで駆動される大規模分子動力学と組み合わせる。
論文 参考訳（メタデータ） (2026-04-23T02:37:29Z) - Manifold-Orthogonal Dual-spectrum Extrapolation for Parameterized Physics-Informed Neural Networks [5.601252185916962]
物理インフォームドニューラルネットワーク(PINN)は、偏微分方程式(PDE)によって支配される力学系のモデリングにおいて顕著な成功を収めた。
物理演算子適応のための軽量マイクロアーキテクチャであるManifold-Orthogonal Dual-spectrum Extrapolation (MODE)を提案する。
論文 参考訳（メタデータ） (2026-03-14T04:52:50Z) - From Static Spectra to Operando Infrared Dynamics: Physics Informed Flow Modeling and a Benchmark [67.29937933325849]
Operando IR Predictionは、1つの静的スペクトルからスペクトル指紋の時間分解進化を予測することを目的としている。
OpIRSpec-7Kは、10の異なるバッテリーシステムにわたる7,118の高品質なサンプルで構成されている。
ABCCは最先端の静的、シーケンシャル、および生成的ベースラインを著しく上回る。
論文 参考訳（メタデータ） (2026-02-20T18:58:43Z) - Generative Modeling of Aerosol State Representations [5.772617906251992]
エアロゾル-雲-放射相互作用は、地球の気候システムで最も不確実な構成要素である。
本稿では,特定質量および数濃度分布の深部変分オートエンコーダモデルを学習するためのフレームワークを提案する。
数百の原次元を10の潜伏変数に圧縮することにより、効率的なストレージと処理が可能になる。
論文 参考訳（メタデータ） (2025-10-11T22:38:30Z) - Equilibrium Matching: Generative Modeling with Implicit Energy-Based Models [52.74448905289362]
EqMは、平衡力学の観点から構築された生成モデリングフレームワークである。
時間条件の速度を統一された平衡景観に置き換えることで、EqMは流れとエネルギーベースのモデルの間により緊密な橋渡しを提供する。
論文 参考訳（メタデータ） (2025-10-02T17:59:06Z) - Learning to Dissipate Energy in Oscillatory State-Space Models [51.98491034847041]
状態空間モデル (SSM) はシーケンス学習のためのネットワークのクラスである。
我々は,D-LinOSSがLinOSSの手法を長距離学習タスクで一貫して上回っていることを示す。
論文 参考訳（メタデータ） (2025-05-17T23:15:17Z) - Composition and Control with Distilled Energy Diffusion Models and Sequential Monte Carlo [18.377963220078442]
本研究では, 事前学習拡散モデルの蒸留によるエネルギー機能の新たなトレーニング体制を導入する。
本稿では,Feynman Kacモデルとして拡散サンプリング法をキャストすることで,エネルギーとスコアの相乗効果を示す。
論文 参考訳（メタデータ） (2025-02-18T11:47:44Z) - Rao-Blackwell Gradient Estimators for Equivariant Denoising Diffusion [55.95767828747407]
分子やタンパク質の生成のようなドメインでは、物理系はモデルにとって重要な固有の対称性を示す。
学習のばらつきを低減し、確率的に低い分散勾配推定器を提供するフレームワークを提案する。
また,軌道拡散法(Orbit Diffusion)と呼ばれる手法を用いて,損失とサンプリングの手順を取り入れた推定器の実用的実装を提案する。
論文 参考訳（メタデータ） (2025-02-14T03:26:57Z) - Many-body Expansion Based Machine Learning Models for Octahedral Transition Metal Complexes [0.0]
我々はオクタ遷移金属錯体(TMCs)のスピン状態依存性特性の機械学習における自己相関の修正を提案する。
新しい戦略は多体展開(MBE)に基づいており、MBEの切り離し順序を変化させることで、捕捉された立体異性体情報を調整することができる。
この新しいアプローチには電子構造理論からの洞察が組み込まれているため、これらのモデルは同素体から異性体への体系的な一般化を示す。
論文 参考訳（メタデータ） (2024-10-12T21:54:22Z) - Molecule Design by Latent Prompt Transformer [76.2112075557233]
本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。
本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
論文 参考訳（メタデータ） (2024-02-27T03:33:23Z)
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。