Fugu-MT 論文翻訳(概要): Symmetry- and Property-Aware Crystal Generation with Reinforcement Learning for Inverse Materials Design

論文の概要: Symmetry- and Property-Aware Crystal Generation with Reinforcement Learning for Inverse Materials Design

arxiv url: http://arxiv.org/abs/2609.13468v1
Date: Fri, 11 Sep 2026 19:42:19 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-16 07:15:05.330465
Title: Symmetry- and Property-Aware Crystal Generation with Reinforcement Learning for Inverse Materials Design
Title（参考訳）: 逆材料設計のための強化学習による対称性と特性を考慮した結晶生成
Abstract要約: 結晶材料の逆設計は、所望の物理的性質を持つ構造を求める。多くの機能的応答では、基礎となる結晶の対称性によって支持されるときのみ、好ましい数値が意味を持つ。
参考スコア（独自算出の注目度）: 0.09705444631034321
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The inverse design of crystalline materials ultimately seeks structures with desired physical properties. However, for many functional responses, a favorable numerical value is meaningful only when supported by the symmetry of the underlying crystal. Without the appropriate crystallographic constraints, an apparent response may be ill defined, accidental, or not symmetry protected. Here we introduce SPARC, a symmetry- and property-aware reinforcement learning framework that optimizes physical objectives while preserving the structural conditions required for their realization. We demonstrate SPARC on two complementary tasks. The first targets strong uniaxial dielectric anisotropy, a tensorial response that is well defined only within appropriate crystal classes. The second maximizes the spectroscopic limited maximum efficiency, a scalar device-level objective without a prescribed symmetry class, allowing the framework to identify favorable crystallographic motifs. These results show that symmetry is not merely an additional design constraint, but a physical foundation for generating candidates with meaningful, robust, and realizable functional properties.
Abstract（参考訳）: 結晶材料の逆設計は、究極的には所望の物理的性質を持つ構造を求める。しかし、多くの機能的応答では、基礎となる結晶の対称性によって支持される場合にのみ、好ましい数値が意味を持つ。適切な結晶学的な制約がなければ、明らかな応答は不適切な定義、偶発的、あるいは対称性が保護されない可能性がある。本稿では,その実現に必要な構造条件を保ちながら,物理的目的を最適化する対称性と特性を考慮した強化学習フレームワークであるSPARCを紹介する。 2つの相補的なタスクでSPARCを実証する。最初のターゲットは強い一軸誘電体異方性であり、適切な結晶クラス内でのみよく定義されるテンソル応答である。第2の方法は、所定の対称性クラスを持たないスカラーデバイスレベルの目的であるスペクトル制限最大効率を最大化し、フレームワークが好ましい結晶モチーフを識別できるようにする。これらの結果は、対称性は単なる追加の設計制約ではなく、有意義で堅牢で実現可能な機能特性を持つ候補を生成するための物理的基礎であることを示している。

関連論文リスト

Symmetry-Breaking De Novo Crystal Generation via Markovian Jump Diffusion [50.136954476803766]
低対称性の先行概念から逆転することで、完全な構造仕様を生成する新しい拡散ベースのフレームワークを提案する。 emphSymmetry-breaking Crystal Diffusion (SbCD) と呼ばれる我々のモデルは、空間群間遷移を生成過程に明示的に組み込むための原則的アプローチを導入している。 MP20とMPTS-52のデ・ノボ生成実験では、SbCDは対称性保存法よりもかなり優れていた。
論文参考訳（メタデータ） (2026-08-13T16:41:48Z)
DDSNet: Dual-domain Symmetry-aware Network for PCSEL Property Prediction [10.464975767418467]
フォトニック結晶(PhC)格子設計空間の効率的な探索は、フォトニック結晶表面発光レーザの開発に不可欠である。結合波理論は有効な物理フレームワークを提供するが、その計算コストは大規模な探査では禁じられている。本稿では,この問題に対処するためのDDSNet(Dual-Domain Symmetry-Aware Network)を提案する。
論文参考訳（メタデータ） (2026-06-22T10:03:31Z)
CrystalReasoner: Reasoning and RL for Property-Conditioned Crystal Structure Generation [7.340047961454058]
本研究では,自然言語命令から結晶構造を生成するLLMフレームワークであるCrystalReasoner(CrysReas)を提案する。 CrysReasは、結晶対称性、局所的な調整環境、原子座標を生成する前に予測された物理的特性を含む、思考トークンとして物理的先行性を導入している。特性条件付きタスクに対しては、タスク固有の報酬関数を設計し、離散的制約と連続的特性のための特別モデルを訓練する。
論文参考訳（メタデータ） (2026-05-14T04:08:51Z)
Proteo-R1: Reasoning Foundation Models for De Novo Protein Design [129.2825640976092]
推論誘導型タンパク質設計フレームワークであるbfProteo-R1を紹介する。アンフェロメトリ生成から分子内理解を分離する。 Proteo-R1は、最新の幾何学的生成モデルと推論の安定、解釈可能、モジュール的な統合を実現する。
論文参考訳（メタデータ） (2026-05-01T06:52:27Z)
Universal Fine-Grained Symmetry Inference and Enforcement for Rigorous Crystal Structure Prediction [3.5802790319269717]
結晶構造予測(CSP)は、結晶の3次元原子配置をその組成から予測することを目的としている。既存のディープラーニングモデルは、しばしば、ソフトまたはスペースグループと既知の構造から取得されたウィコフテンプレートにのみ依存する結晶対称性を扱う。対照的に,本手法は大規模言語モデルを用いて化学意味論を符号化し,Wyckoffパターンを合成から直接生成する。
論文参考訳（メタデータ） (2026-02-19T08:43:25Z)
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)
Wyckoff Transformer: Generation of Symmetric Crystals [0.5968063252533801]
内部対称性は、物理的、化学的、電子的性質を決定する上で基本的な役割を果たす。空間群対称性を条件付ける生成モデルWyFormerを紹介する。 Wyckoff の位置をエレガントで圧縮され、離散的な構造表現の基盤として用いることでこれを達成している。
論文参考訳（メタデータ） (2025-03-04T08:50:10Z)
Machine Learning-Guided Design of Non-Reciprocal and Asymmetric Elastic Chiral Metamaterials [0.0]
本稿では, 靭帯接触角, 靭帯形状, 円半径など, キラルなメタマテリアルの設計空間を定義した。次に、機械学習アプローチ、特にベイズ最適化を活用して、最大非相互性あるいは剛性非対称性を満たす最適な設計を行う。この機構を解析したところ, 異なる方向の荷重下で複数の異なる接触状態を示すことができるキラルなメタマテリアルは, 高い非相反性と剛性非対称性の両方を同時に示すことができることがわかった。
論文参考訳（メタデータ） (2024-04-19T23:39:56Z)
Complete and Efficient Graph Transformers for Crystal Material Property Prediction [53.32754046881189]
結晶構造は、3次元空間の正則格子に沿って繰り返される原始単位セル内の原子塩基によって特徴づけられる。本稿では,各原子の格子に基づく表現を確立するために,単位細胞の周期パターンを利用する新しい手法を提案する。結晶材料に特化して設計されたSE(3)トランスであるComFormerを提案する。
論文参考訳（メタデータ） (2024-03-18T15:06:37Z)
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)

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。