論文の概要: CrystalGRPO: Target-Aligned and Coverage-Preserving Reinforcement Learning for Flow-Based Crystal Structure Prediction

• arxiv url: http://arxiv.org/abs/2608.06582v1
• Date: Thu, 06 Aug 2026 20:53:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.287682
• Title: CrystalGRPO: Target-Aligned and Coverage-Preserving Reinforcement Learning for Flow-Based Crystal Structure Prediction
• Title（参考訳）: CrystalGRPO:フローベース結晶構造予測のためのターゲットアライメントと被覆保存強化学習
• Abstract要約: フローベース生成モデルは、結晶構造予測(CSP)の候補構造を効率的に生成できる しかし、事前訓練された目的は、下流ターゲットリカバリを直接最適化するものではない。 本稿では,既存のODE-to-SDEポリシ構築を協調座標-格子状態に拡張するCSP対応のポストトレーニングフレームワークであるCrystalGRPOを紹介する。
• 参考スコア（独自算出の注目度）: 6.755097904953073
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Flow-based generative models can efficiently produce candidate structures for crystal structure prediction (CSP), but their pretrained objectives do not directly optimize downstream target recovery. Reinforcement-learning post-training offers a flexible solution, yet existing approaches rely primarily on energy rewards and coordinate-only stochastic policies. Predicted energy does not identify the reference polymorph, while reward-driven concentration can reduce the candidate coverage required for Top-N recovery. We introduce CrystalGRPO, a CSP-aligned post-training framework that extends existing ODE-to-SDE policy constructions to the joint coordinate--lattice state. CrystalGRPO combines MACE-predicted energy with a StructureMatcher-based recovery score and provides two operating modes: CrystalGRPO-Q, which prioritizes single-draw recovery, and CrystalGRPO-C, which combines full-trajectory reference regularization with a coverage-aware group advantage to preserve finite-budget target recovery. Across MP-20 and MPTS-52 with PXRDGen and OMatG backbones, both variants reduce one- and twenty-sample RMSE relative to coordinate-only reinforcement in all four backbone--dataset settings. CrystalGRPO-Q consistently improves Top-1, whereas CrystalGRPO-C achieves a higher Top-20 across all settings.
• Abstract（参考訳）: フローベース生成モデルは、結晶構造予測(CSP)の候補構造を効率的に生成することができるが、事前訓練された目的は、下流ターゲット回復を直接最適化するものではない。 強化後学習は柔軟なソリューションを提供するが、既存のアプローチは主にエネルギー報酬と座標のみの確率ポリシーに依存している。 予測エネルギーは基準ポリモルフィックを識別しないが、報酬駆動濃度はTop-N回復に必要な候補カバレッジを減少させる。 本稿では,既存のODE-to-SDEポリシ構築を協調座標-格子状態に拡張するCSP対応のポストトレーニングフレームワークであるCrystalGRPOを紹介する。 CrystalGRPOは、MACE予測エネルギーとStructureMatcherベースのリカバリスコアを組み合わせて、2つのオペレーティングモードを提供する。 PXRDGenとOMatGのバックボーンを備えたMP-20とMPTS-52の両バージョンは、4つのバックボーンデータセット設定の座標のみの強化に対してRMSEを1サンプルと20サンプルに減らした。 CrystalGRPO-QはTop-1を一貫して改善し、CrystalGRPO-CはTop-20をすべての設定で向上させた。

関連論文リスト

• APO: Unsupervised Atomic Policy Optimization for 3D Structure Prediction of Atomic Systems [64.56252173115246]
  そこで本研究では, 基幹構造を不要とした非教師なしアライメントフレームワーク(Atomic Policy Optimization)を提案する。 APOは、新しい二重回帰機構を利用して、3次元原子環境にグループ相対的なポリシー最適化を適用する。 この結果から,本質的な物理的整合性は,ノイズや教師付き座標マッチングよりも優れたアライメントのガイドとなる可能性が示唆された。
  論文  参考訳（メタデータ） (2026-07-30T17:21:58Z)
• Baseline-Free Policy Optimization for Neural Combinatorial Optimization [1.2891210250935148]
  グループ相対ポリシー最適化は、サンプリングされた軌道群内の利点を正規化することによって、ベースラインを完全に排除する。 GRPOは、強力なAMベースのマルチスタートベースラインであるPOMOの2%以内で、外部ベースラインを必要としないソリューション品質を実現する。 これらの結果から,GRPO は NCO の有望なベースラインフリー代替品であり,特にベースライン依存トレーニングが脆弱な環境では有効であると考えられた。
  論文  参考訳（メタデータ） (2026-06-09T02:18:30Z)
• Too Correct to Learn: Reinforcement Learning on Saturated Reasoning Data [55.84428098924793]
  構造保存探索を行うためのパラメータ自由復号法である Constrained Uniform Top-K Smpling (CUTS) を提案する。 グループ内の利点分散を増幅するために、エクスプロイトと探索的なロールアウトを相乗化するためのトレーニングフレームワークであるMixed-CUTSに統合する。 特にMixed-CUTSは、AIME25ベンチマークのPass@1の精度を標準のGRPOよりも15.1%向上している。
  論文  参考訳（メタデータ） (2026-04-20T16:43:28Z)
• AR-CoPO: Align Autoregressive Video Generation with Contrastive Policy Optimization [47.39648302477585]
  ストリーミング自動回帰(AR)ビデオジェネレータと数段蒸留を組み合わせることで、低レイテンシで高品質な合成を実現する。 本稿では,ストリーミングAR生成に対するNighbor GRPOのコントラスト的視点を適応させるフレームワークであるAR-CoPOを提案する。
  論文  参考訳（メタデータ） (2026-03-18T08:07:01Z)
• CrystalFormer-CSP: Thinking Fast and Slow for Crystal Structure Prediction [2.110303171517621]
  本稿では, 化学組成の安定な結晶構造を予測するために, データ駆動および物理駆動の最適化アプローチを統合する効率的なフレームワークであるCrystalFormerCSPを提案する。 このアプローチは、空間群インフォームド構造生成のための事前訓練された生成モデルと、エネルギー最小化のための普遍的な機械学習力場を組み合わせる。 本稿では,ベンチマーク問題に対するCrystalFormer-CSPの有効性を示すとともに,Webインターフェースと言語モデルの統合による利用例を示す。
  論文  参考訳（メタデータ） (2025-12-20T07:22:58Z)
• Energy-Based Coarse-Graining in Molecular Dynamics: A Flow-Based Framework without Data [0.0]
  粗粒モデル(CG)は分子シミュレーションの複雑さを減らす効果的な経路を提供する。 本稿では,全原子ボルツマン分布を直接対象とするCGのための完全データフリーな生成フレームワークを提案する。 本手法はボルツマン分布のすべてのモードを捕捉し、原子配置を再構成し、自動的に物理的に意味のあるCG表現を学習することを示す。
  論文  参考訳（メタデータ） (2025-04-29T17:05:27Z)
• REBEL: Reinforcement Learning via Regressing Relative Rewards [59.68420022466047]
  生成モデルの時代における最小限のRLアルゴリズムであるREBELを提案する。 理論的には、自然ポリシーグラディエントのような基本的なRLアルゴリズムはREBELの変種と見なすことができる。 我々はREBELが言語モデリングと画像生成に一貫したアプローチを提供し、PPOやDPOとより強くあるいは類似した性能を実現することを発見した。
  論文  参考訳（メタデータ） (2024-04-25T17:20:45Z)
• 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)
• CRPO: A New Approach for Safe Reinforcement Learning with Convergence Guarantee [61.176159046544946]
  安全強化学習(SRL)問題では、エージェントは期待される全報酬を最大化し、一定の制約の違反を避けるために環境を探索する。 これは、大域的最適ポリシーを持つSRLアルゴリズムの最初の分析である。
  論文  参考訳（メタデータ） (2020-11-11T16:05:14Z)

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。