論文の概要: uFlowCSP: Crystal Structure Prediction using Mean flow generative models

• arxiv url: http://arxiv.org/abs/2609.09799v1
• Date: Wed, 09 Sep 2026 06:51:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.924677
• Title: uFlowCSP: Crystal Structure Prediction using Mean flow generative models
• Title（参考訳）: uFlowCSP:平均流生成モデルによる結晶構造予測
• Abstract要約: 平均フローに基づくCSPモデルは、瞬時、確率フロー速度ではなく平均を学習する。 1から5つの評価で完全な構造を生成し、5x-58倍高速な推論を同等またはより優れたパフォーマンスで提供する。
• 参考スコア（独自算出の注目度）: 1.853728141158659
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Crystal structure prediction (CSP) is fundamental to computational materials discovery. Generative models including CDVAE, DiffCSP, FlowMM, and CrystalFlow learn stable-crystal distributions directly, but diffusion and flow-matching inference requires tens to thousands of sequential network evaluations per candidate. We introduce uFlowCSP, a MeanFlow-based CSP model that learns the average, rather than instantaneous, probability-flow velocity. It generates a complete structure in one to five evaluations, delivering 5x-58x faster inference with equal or better performance. A chemistry- and symmetry-aware Transformer uses canonical atom ordering, global composition, and per-token chemistry embeddings. A coarse crystal-system token is used only during training; it provides additive gains, particularly improving space-group agreement despite being absent at inference, which remains formula-only. On MP-20 with 20 candidates per target, one step matches CrystalFlow (78.38% vs. 78.34%) with 100x fewer evaluations and about 10x lower wall-clock time. Five steps reach 83.64%, exceeding CrystalFlow (78.34% at 2,000 evaluations) and DiffCSP (77.93% at about 20,000), while using 20x fewer evaluations. uFlowCSP generates 10,000 structures in 0.39-1.31 minutes, versus 6.5 for CrystalFlow and 76.1 for DiffCSP. Under CSPBench's energy-ranked top-five structure-and-space-group criterion, five-step uFlowCSP reaches 72%/72%/65% structure, space-group, and consensus match rates. CrystalFlow reaches 78%/73%/68% at 100 steps but falls to 49%/32%/31% at five. Thus, uFlowCSP improves accuracy per network evaluation, not merely peak accuracy.
• Abstract（参考訳）: 結晶構造予測(CSP)は、計算材料発見の基礎である。 CDVAE、DiffCSP、FlowMM、CrystalFlowなどの生成モデルは、直接的に安定した結晶分布を学習するが、拡散とフローマッチングの推論には、候補毎に数万から数千の連続的なネットワーク評価が必要である。 本稿では,平均流速を瞬時,確率流速ではなく平均的に学習する平均流CSPモデルであるuFlowCSPを紹介する。 1から5つの評価で完全な構造を生成し、5x-58倍高速な推論を同等またはより優れたパフォーマンスで提供する。 化学および対称性を意識したトランスフォーマーは、標準原子配列、大域組成、およびトーケン当たりの化学埋め込みを使用する。 粗いクリスタル・システム・トークンはトレーニング時にのみ使用され、特に推論に欠席しているにもかかわらず、追加的な利得を提供する。 MP-20では1つのステップがCrystalFlow(78.38%対78.34%)と一致し、評価は100倍、ウォールタイムは10倍に短縮された。 5つのステップは83.64%に達し、CrystalFlow(2000評価で78.34%)とDiffCSP(約2万で77.93%)を上回り、評価は20倍少ない。 uFlowCSPは0.39-1.31分で10,000構造を生成し、CrystalFlowは6.5、DiffCSPは76.1を生成する。 CSPBenchのエネルギーランクのトップ5構造とスペースグループの基準の下で、5段階のuFlowCSPは72%/72%/65%の構造、空間群、コンセンサスマッチングレートに達する。 CrystalFlowは100ステップで78%/73%/68%に達するが、5ステップで49%/32%/31%に低下する。 したがって、uFlowCSPはピーク精度だけでなく、ネットワーク評価毎の精度を向上させる。

関連論文リスト

• Fast Organic Crystal Structure Prediction with Unit Cell Flow Matching [23.36679297800654]
  有機結晶構造予測(CSP)は、有機固体の計算モデリングの要件である。 OXtalのような生成モデルは、安定な有機結晶構造を直接サンプリングすることで、このコストを劇的に削減する。 しかしながら、OXtalは、高価な三角形の層を持つバルク材料の大作物をモデル化することを好んで、明示的な格子パラメトリゼーションを行う。 冗長性のない単位セルを生成する大規模フローマッチングモデルであるClariを用いて,これを数秒に短縮する。
  論文  参考訳（メタデータ） (2026-06-02T05:58:40Z)
• Fine-Tuning Over Architectural Complexity: Broad-Coverage PII Detection on PIIBench with DeBERTa [0.0]
  PII検出システムは、狭いソースまたはドメイン境界内で頻繁に訓練され、異種テキストにデプロイする場合のカバレッジを制限する。 我々は,10個のソースデータセットに82個の保持されたエンティティタイプにまたがる修正されたマルチソースPIIBenchのモデル微調整について検討した。 直接トークン分類の微調整,ソース条件付き階層モデル(SC+H),3段階のカリキュラム拡張(SC+H+Curr)の3つのアプローチを評価した。
  論文  参考訳（メタデータ） (2026-05-25T13:12:42Z)
• 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)
• MFI-ResNet: Efficient ResNet Architecture Optimization via MeanFlow Compression and Selective Incubation [7.158376693956831]
  MeanFlow-Incubated ResNetはパラメータ効率と識別性能を改善している。 MFI-ResNetは、ResNet-50と比較してパラメータを46.28%、45.59%削減し、精度は0.23%、0.17%向上した。
  論文  参考訳（メタデータ） (2025-11-16T02:33:50Z)
• Exploring the Hierarchical Reasoning Model for Small Natural-Image Classification Without Augmentation [51.56484100374058]
  MNIST、CIFAR-10、CIFAR-100で意図的に生の条件下で評価される。 拡張性のない小型画像分類では、HRMは単純な畳み込みアーキテクチャと競合するものではないと結論付けている。
  論文  参考訳（メタデータ） (2025-10-04T01:22:41Z)
• Compose Yourself: Average-Velocity Flow Matching for One-Step Speech Enhancement [46.23750572308065]
  COSEは音声強調に適した一段階FMフレームワークである。 平均速度を効率的に計算するための速度合成IDを導入する。 実験によると、COSEはサンプリングを最大5倍速くし、トレーニングコストを40%削減する。
  論文  参考訳（メタデータ） (2025-09-19T13:07:39Z)
• FastCSP: Accelerated Molecular Crystal Structure Prediction with Universal Model for Atoms [21.170799561884035]
  FastCSPは、機械学習の原子間ポテンシャルに基づくオープンソースのCrystal Structure Predictionワークフローである。 FastCSPは、既知の実験構造を一貫して生成し、それらを世界最小の分子あたり5kJ/molにランク付けする。 その結果,MLIPはシステム固有のチューニングを必要とせず,多様な化合物にまたがって利用できることがわかった。
  論文  参考訳（メタデータ） (2025-08-04T17:25:55Z)
• FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
  FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。 非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。 条件設定では、太陽予測において優れた性能を達成している。
  論文  参考訳（メタデータ） (2024-11-12T03:03:23Z)
• RecFlow: An Industrial Full Flow Recommendation Dataset [66.06445386541122]
  産業レコメンデーションシステムは、商品をユーザに届ける際の効率性と効率のバランスをとるために、多段階パイプラインに依存している。 オフラインRSベンチマークと実際のオンライン環境とのギャップを埋めるために設計された産業用フルフローレコメンデーションデータセットであるRecFlowを紹介します。 我々のデータセットは、約9万項目にわたる42Kユーザからの38万のインタラクションで構成され、37日間にわたる9.3Mオンラインリクエストから収集された1.9Bステージサンプルと6ステージにまたがる。
  論文  参考訳（メタデータ） (2024-10-28T09:36:03Z)
• Adapting U-Net for linear elastic stress estimation in polycrystal Zr microstructures [0.0]
  U-Net畳み込みニューラルネットワークアーキテクチャの変種として, a-Zr(hcp)多結晶結晶粒構造における線形弾性適合応力を推定する手法を提案する。 ネットワーク性能は粒状構造規則性やテクスチャと相関せず,任意のZr結晶構造にトレーニングセットを超えたネットワークの一般化を示す。
  論文  参考訳（メタデータ） (2023-03-15T11:36:27Z)
• End-to-End Sensitivity-Based Filter Pruning [49.61707925611295]
  本稿では,各層間のフィルタの重要度を学習するための感度に基づくフィルタプルーニングアルゴリズム(SbF-Pruner)を提案する。 提案手法はフィルタ重みからスコアを学習し,各層のフィルタ間の相関を考慮できる。
  論文  参考訳（メタデータ） (2022-04-15T10:21:05Z)

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。