Fugu-MT 論文翻訳(概要): BDIP-Net: Dual-Interaction Graph Learning for Property Prediction of Bilayer Materials

論文の概要: BDIP-Net: Dual-Interaction Graph Learning for Property Prediction of Bilayer Materials

arxiv url: http://arxiv.org/abs/2608.14640v1
Date: Tue, 28 Jul 2026 20:11:30 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-23 14:54:39.933836
Title: BDIP-Net: Dual-Interaction Graph Learning for Property Prediction of Bilayer Materials
Title（参考訳）: BDIP-Net:2層材料特性予測のためのデュアルインタラクショングラフ学習
Abstract要約: 積層二層膜の効率的な構築と特性予測のための機械学習フレームワークを提案する。このフレームワークはMatterSim-D3ベースの構造最適化ワークフローを使用して、DFT品質の2層構造を生成する。特性予測には,層間相互作用と層間相互作用を明示的にモデル化するグラフニューラルネットワークBDIP-Netを導入する。
参考スコア（独自算出の注目度）: 19.904513279763155
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Stacked bilayer materials exhibit rich stacking-dependent properties driven by the interplay between strong intra-layer bonding and weak inter-layer van der Waals interactions. The computational discovery of such materials is challenging because accurate structure generation typically relies on expensive DFT-based optimization, while existing machine-learning models often fail to explicitly distinguish different interaction types during property prediction. To address these challenges, we propose a machine-learning framework for efficient construction and property prediction of stacked bilayer materials. The framework employs a MatterSim-D3-based structural optimization workflow to generate DFT-quality bilayer structures from monolayer building blocks and stacking configurations at substantially reduced computational cost. For property prediction, we introduce BDIP-Net (Bilayer Dual-Interaction Potential Network), a graph neural network that explicitly models intra-layer and inter-layer interactions through interaction-specific potential representations and adaptive message fusion. We evaluate the proposed framework on BiDB, HetDB, and SAMBA, encompassing homobilayers, heterobilayers, and twisted bilayer systems. Results show that the MatterSim-D3-based workflow closely reproduces DFT-PBE-D3 optimized structures, while BDIP-Net consistently outperforms existing graph neural network and potential-based approaches for bilayer property prediction.
Abstract（参考訳）: 層状二層膜材料は、強い層間結合と弱い層間ファンデルワールス相互作用の相互作用によって引き起こされる豊富な積層依存特性を示す。正確な構造生成は通常高価なDFTベースの最適化に依存しているのに対して、既存の機械学習モデルはプロパティ予測中に異なる相互作用タイプを明確に区別できないことが多いため、そのような物質の計算的な発見は困難である。これらの課題に対処するために,積層二層膜の効率的な構築と特性予測のための機械学習フレームワークを提案する。このフレームワークはMatterSim-D3ベースの構造最適化ワークフローを使用して、単層構造ブロックとスタック構成からDFT品質の2層構造を生成する。本稿では,BDIP-Net (Bilayer Dual-Interaction Potential Network) というグラフニューラルネットワークを導入し,相互作用特異的なポテンシャル表現と適応メッセージ融合による層内相互作用と層間相互作用を明示的にモデル化する。提案するBiDB, HetDB, SAMBAのフレームワークは, ホモバイ層, ヘテロバイ層, ねじれた二層構造を含む。その結果、MatterSim-D3ベースのワークフローはDFT-PBE-D3最適化された構造を忠実に再現し、BDIP-Netは既存のグラフニューラルネットワークとポテンシャルに基づく2層特性予測のアプローチを一貫して上回っていることがわかった。

関連論文リスト

CatalyticMLLM: A Graph-Text Multimodal Large Language Model for Catalytic Materials [61.546562658308005]
触媒材料のためのグラフテキスト多モード大言語モデルQE-Catalytic-V2を提案する。プロパティ予測と逆設計を同じモデルと共有表現空間に統合する。この統合フレームワークでは、QE-Catalytic-V2は信頼性の高いプロパティ予測を行うだけでなく、物理的に実現可能なCIF候補を生成し、表示することができる。
論文参考訳（メタデータ） (2026-05-17T04:31:46Z)
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)
TabMixNN: A Unified Deep Learning Framework for Structural Mixed Effects Modeling on Tabular Data [0.0]
本稿では、従来の混合効果モデリングを現代のニューラルネットワークアーキテクチャで合成する、柔軟なPyTorchベースのディープラーニングフレームワークTabMixNNを提案する。本研究では,縦断データ解析,ゲノム予測,空間時間モデルへの応用を通じて,フレームワークの柔軟性を実証する。
論文参考訳（メタデータ） (2025-12-29T17:48:15Z)
Hybrid machine learning models based on physical patterns to accelerate CFD simulations: a short guide on autoregressive models [3.780691701083858]
本研究では,Long Short-Term Memory (LSTM) アーキテクチャと高次特異値分解を革新的に統合し,流体力学における低次モデリング(ROM)の複雑さに対処する。この手法は、2次元および3次元のシリンダー流(2次元および3次元)を含む数値的および実験的なデータセットで試験される。その結果、HOSVDは、異なるエラーメトリクスを用いて証明されたように、すべてのテストシナリオでSVDより優れていることが示された。
論文参考訳（メタデータ） (2025-04-09T10:56:03Z)
Accurate, transferable, and verifiable machine-learned interatomic potentials for layered materials [0.0]
ツイストされた層状バンダーワールス材料は、しばしば、非ツイストの材料に欠如しているユニークな電子的および光学的特性を示す。本稿では、層内相互作用と層間相互作用を分離する、マシン学習型原子間ポテンシャルとデータセットキュレーション手法を提案する。本手法は,様々な層内相互作用モデルや層間相互作用モデルとシームレスに統合し,モワール材料の計算的緩和を可能にする。
論文参考訳（メタデータ） (2025-03-19T17:14:02Z)
BHViT: Binarized Hybrid Vision Transformer [53.38894971164072]
モデルバイナライゼーションは畳み込みニューラルネットワーク(CNN)のリアルタイムおよびエネルギー効率の計算を可能にした。本稿では,バイナライズフレンドリーなハイブリッドViTアーキテクチャであるBHViTとそのバイナライズモデルを提案する。提案アルゴリズムは,バイナリ ViT 手法間でSOTA 性能を実現する。
論文参考訳（メタデータ） (2025-03-04T08:35:01Z)
Generalized Factor Neural Network Model for High-dimensional Regression [50.554377879576066]
複素・非線形・雑音に隠れた潜在低次元構造を持つ高次元データセットをモデル化する課題に取り組む。我々のアプローチは、非パラメトリック回帰、因子モデル、高次元回帰のためのニューラルネットワークの概念のシームレスな統合を可能にする。
論文参考訳（メタデータ） (2025-02-16T23:13:55Z)
Searching for Efficient Linear Layers over a Continuous Space of Structured Matrices [88.33936714942996]
アインシュタイン和を通じて表現可能なすべての線形作用素の探索を可能にする統一フレームワークを提案する。計算-最適スケーリング法則の違いは主に少数の変数によって支配されていることを示す。そこで,Mixture-of-Experts (MoE) は,注目ブロックの投影を含む,モデルのすべての線形層におけるMoEを学習する。
論文参考訳（メタデータ） (2024-10-03T00:44:50Z)
Improving Neural Additive Models with Bayesian Principles [54.29602161803093]
ニューラル加算モデル(NAM)は、個別の加算サブネットワークでキャリブレーションされた入力特徴を扱うことにより、ディープニューラルネットワークの透明性を高める。本研究では,Laplace-approximated NAM (LA-NAMs) を開発した。
論文参考訳（メタデータ） (2023-05-26T13:19:15Z)
Bi-Bimodal Modality Fusion for Correlation-Controlled Multimodal Sentiment Analysis [96.46952672172021]
Bi-Bimodal Fusion Network (BBFN) は、2対のモダリティ表現で融合を行う新しいエンドツーエンドネットワークである。モデルは、モダリティ間の既知の情報不均衡により、2つのバイモーダルペアを入力として取る。
論文参考訳（メタデータ） (2021-07-28T23:33:42Z)
Dual-constrained Deep Semi-Supervised Coupled Factorization Network with Enriched Prior [80.5637175255349]
本稿では、DS2CF-Netと呼ばれる、拡張された事前制約付きDual-Constrained Deep Semi-Supervised Coupled Factorization Networkを提案する。隠れた深い特徴を抽出するために、DS2CF-Netは、深い構造と幾何学的な構造に制約のあるニューラルネットワークとしてモデル化される。我々のネットワークは、表現学習とクラスタリングのための最先端の性能を得ることができる。
論文参考訳（メタデータ） (2020-09-08T13:10:21Z)

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。