論文の概要: ED-CSP: Crystal Structure Prediction from Electron Diffraction

• arxiv url: http://arxiv.org/abs/2608.06448v2
• Date: Wed, 12 Aug 2026 05:03:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 14:28:20.344779
• Title: ED-CSP: Crystal Structure Prediction from Electron Diffraction
• Title（参考訳）: ED-CSP:電子回折による結晶構造予測
• Abstract要約: 本稿では,化学組成,原子数,複数の検出器面EDスポットセットから結晶構造を予測する機械学習フレームワークED-CSPを紹介する。 CHILI-100K2,075の保持材では、ED-CSPはCHILIのみをトレーニングし、57.49%のMR@5という構造一致率を達成した。 ED-CSPとED-CSは、スパースED観測から生成結晶構造予測のベンチマークを確立する。
• 参考スコア（独自算出の注目度）: 3.2116198597240846
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recovering a periodic 3D crystal structure from sparse, unindexed electron diffraction (ED) observations is a challenging generative inverse problem. Existing ED-based learning methods mainly predict crystallographic labels, reconstruct structures from indexed reflections, or retrieve candidates from finite structure libraries. Here, we introduce ED-CSP, a machine learning framework that predicts crystal structures from chemical composition, atom count, and multiple detector-plane ED spot sets. ED-CSP combines a relational set encoder, permutation-invariant multi-view aggregation, and a periodic flow generator to jointly predict lattice parameters and fractional atomic coordinates. To train the model, we construct ED-CS, a dataset of 4.85 million simulated multi-view ED crystal structures, deduplicated across seven materials repositories and filtered to exclude CHILI-100K overlaps. On 2,075 held-out CHILI-100K materials, ED-CSP trained only on CHILI achieves a structural match rate of 57.49% MR@5, outperforming PXRDGen (52.92%), a state-of-the-art crystal structure prediction model conditioned on powder X-ray diffraction. Scaling training data further improves performance: initializing from a one-million-structure precursor raises MR@5 to 66.27%. On 1,024 compositions absent from the training retrieval library, the model still achieves 53.52% MR@5, demonstrating true generative capability beyond exact-formula retrieval. Replacing target ED observations with diffraction from non-isomorphic structures of identical composition decreases MR@5 by 22.09 percentage points, confirming that predictions depend on the input diffraction patterns rather than composition alone. ED-CSP and ED-CS establish a benchmark for generative crystal structure prediction from sparse ED observations and provide a foundation for future transfer to experimental data.
• Abstract（参考訳）: スパース、非インデックス電子回折(ED)観測から周期的な3次元結晶構造を復元することは、逆問題である。 既存のEDベースの学習手法は、主に結晶ラベルを予測したり、インデックス付きリフレクションから構造を再構築したり、有限構造ライブラリから候補を検索する。 本稿では,化学組成,原子数,複数検出器面EDスポットセットから結晶構造を予測する機械学習フレームワークED-CSPを紹介する。 ED-CSPは、リレーショナルセットエンコーダ、置換不変なマルチビューアグリゲーション、周期フロージェネレータを組み合わせて、格子パラメータと分数原子座標を共同で予測する。 モデルをトレーニングするために, ED-CSを構築した。これは4.85百万のシミュレーションによる多視点ED結晶構造であり, 7つの材料リポジトリに分散して, CHILI-100Kオーバーラップを排除した。 CHILI-100K材料2,075本において,ED-CSPは,粉末X線回折による結晶構造予測モデルであるPXRDGen(52.92%)を上回る57.49%MR@5の構造一致率を達成した。 トレーニングデータのスケーリングによりパフォーマンスがさらに向上し、100万構造前駆体から初期化することでMR@5が66.27%向上する。 トレーニング検索ライブラリから欠落した1,024の合成に対して、モデルはまだ53.52%のMR@5を達成しており、正確なフォーミュラ検索以上の真の生成能力を示している。 同一組成の非同型構造からの回折によるターゲットEDの観測はMR@5を22.09ポイント減少させ、組成のみではなく入力回折パターンに依存することを確認した。 ED-CSPとED-CSは、スパースED観測から生成結晶構造予測のベンチマークを確立し、将来の実験データへの移行の基礎を提供する。

関連論文リスト

• Inverse-IMPRESSION: A Graph-based Platform for Molecular Structure Elucidation from Experimental NMR Spectroscopic Properties [0.0]
  Inverted Graph Transformer Network, IMPRESSION-G2 上に構築したプラットフォームを提案する。 実験核磁気共鳴(NMR)分光情報から直接分子結合を正確かつ迅速に再構築することができる。 逆表現フレームワークは、実験データに基づくグラフベース機械学習を用いて、分子構造の自動解明のための最初の効果的なアプローチを提供する。
  論文  参考訳（メタデータ） (2026-07-10T21:08:51Z)
• 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)
• 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)
• Siamese Foundation Models for Crystal Structure Prediction [70.63218101004398]
  結晶構造予測(CSP)は、組成から安定な結晶構造を生成することを目的としている。 CSPは比較的未発見の領域である。 CSPに特化して設計されたシームズ基礎モデルを提案する。
  論文  参考訳（メタデータ） (2025-03-13T15:44:16Z)
• Transformer-Enhanced Variational Autoencoder for Crystal Structure Prediction [16.846289696048647]
  結晶構造予測のための変圧器強化変分オートエンコーダ(TransVAE-CSP)を提案する。 TransVAE-CSPは安定物質の特性分布空間を学習し、結晶構造の再構築と生成を可能にする。 CO_24, perov_5, mp_20データセットの実験結果から, TransVAE-CSPは構造再構成および生成タスクにおいて, 既存の手法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） (2025-02-13T15:45:36Z)
• deCIFer: Crystal Structure Prediction from Powder Diffraction Data using Autoregressive Language Models [1.231476564107544]
  粉末回折データから結晶構造予測(CSP)を行う自己回帰言語モデルを提案する。 提示されたモデルであるdeCIFerは、広く使われているCrystallographic Information File (CIF)フォーマットで結晶構造を生成する。 ほぼ2.3Mの結晶構造でdeCIFerを訓練し、難易度の高い無機結晶系を特徴付けるために多種多様なPXRDパターンの検証を行う。
  論文  参考訳（メタデータ） (2025-02-04T10:09:47Z)
• Ab Initio Structure Solutions from Nanocrystalline Powder Diffraction Data [4.463003012243322]
  材料科学における大きな課題は、ナノメートルサイズの物体の構造を決定することである。 本稿では,45,229の既知構造に基づく拡散過程に基づく生成機械学習モデルを用いた新しい手法を提案する。 我々のモデルであるPXRDnetは、対称性と複雑さの異なる200の材料にまたがる10アングストロームのシミュレーションナノ結晶を解くことに成功した。
  論文  参考訳（メタデータ） (2024-06-16T03:45:03Z)
• Compositional Representation of Polymorphic Crystalline Materials [56.80318252233511]
  PCRLは,構成の確率論的モデリングを用いて,利用可能な構造情報から多型を抽出する手法である。 16のデータセットに対する広範囲な評価は、構成表現の学習におけるPCRLの有効性を示す。
  論文  参考訳（メタデータ） (2023-11-17T20:34:28Z)
• Latent Conservative Objective Models for Data-Driven Crystal Structure Prediction [62.36797874900395]
  計算化学において、結晶構造予測は最適化問題である。 この問題に対処する1つのアプローチは、密度汎関数理論(DFT)に基づいてシミュレータを構築し、続いてシミュレーションで探索を実行することである。 我々は,LCOM(最近の保守的客観モデル)と呼ばれる我々の手法が,構造予測の成功率の観点から,最も優れたアプローチと同等に機能することを示す。
  論文  参考訳（メタデータ） (2023-10-16T04:35:44Z)
• Crystal-GFN: sampling crystals with desirable properties and constraints [103.79058968784163]
  本稿では,結晶構造の生成モデルであるCrystal-GFNを紹介する。 本稿では,MatBenchで学習した新しいプロキシ機械学習モデルにより予測された結晶構造の原子1個あたりの生成エネルギーを目的として利用する。 その結果、Crystal-GFNは低(中間-3.1 eV/原子)で生成エネルギーが予測される非常に多様な結晶をサンプリングできることが示された。
  論文  参考訳（メタデータ） (2023-10-07T21:36:55Z)
• Crystal Structure Prediction by Joint Equivariant Diffusion [27.52168842448489]
  結晶構造予測(CSP)は様々な科学分野において重要である。 本稿では, 安定結晶から構造分布を学習する新しい拡散モデルであるDiffCSPを提案する。
  論文  参考訳（メタデータ） (2023-07-30T15:46:33Z)

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。