論文の概要: Robust and Efficient AI Frameworks for Scalable Material Design and Property Prediction

• arxiv url: http://arxiv.org/abs/2609.17646v1
• Date: Tue, 15 Sep 2026 15:15:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.473842
• Title: Robust and Efficient AI Frameworks for Scalable Material Design and Property Prediction
• Title（参考訳）: スケーラブルな材料設計と特性予測のためのロバストで効率的なAIフレームワーク
• Abstract要約: この論文は、結晶性物質の発見を加速するための堅牢で効率的なAIフレームワークを開発する。 この論文は密度汎関数論(DFT)の計算コストが高く、グラフ表現学習、事前学習、マルチモーダル学習を探求している。 全体として、この論文はデータ効率性予測と制御可能な結晶生成のための統合AIベースのフレームワークを確立している。
• 参考スコア（独自算出の注目度）: 1.455240131708017
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This thesis develops robust and efficient AI frameworks for accelerating crystalline materials discovery by addressing both major stages of the materials-design pipeline: crystal property prediction and crystal structure generation. Motivated by the high computational cost of Density Functional Theory (DFT) and the limited availability of labeled materials data, the thesis explores graph representation learning, pretraining, multimodal learning, and generative modeling for scalable materials design. For property prediction, the thesis first introduces CrysXPP, which learns transferable crystal representations through unsupervised graph autoencoding, reducing dependence on large property-labeled datasets. It then proposes CrysGNN, a large-scale self-supervised graph pretraining framework that captures atomic connectivity, chemical attributes, and global structural information and transfers this knowledge to downstream property predictors through knowledge distillation. CrysMMNet further enriches crystal representations by jointly modeling graph structure and textual descriptions, thereby incorporating both local chemical and global structural knowledge. For crystal generation, the thesis introduces TGDMat, a text-guided joint diffusion framework that jointly models lattice parameters, atomic types, and atomic coordinates while incorporating textual structural knowledge during denoising. This enables the generation of more valid and stable periodic materials while also supporting conditional generation from natural-language descriptions. Overall, the thesis establishes a unified AI-based framework for data-efficient property prediction and controllable crystal generation, demonstrating how graph learning, multimodal representations, and generative models can reduce computational cost and improve the scalability of materials
• Abstract（参考訳）: この論文は、材料設計パイプラインの主要な段階である結晶特性予測と結晶構造生成の両方に対処することで、結晶材料発見を加速するための堅牢で効率的なAIフレームワークを開発する。 グラフ表現学習、事前学習、マルチモーダル学習、スケーラブルな材料設計のための生成モデリングについて研究する。 CrysXPPは、教師なしグラフの自動符号化により、伝達可能な結晶表現を学習し、大きなプロパティラベル付きデータセットへの依存を減らす。 次に、CrysGNNを提案する。CrysGNNは、大規模な自己教師付きグラフ事前学習フレームワークで、原子接続性、化学的特性、グローバルな構造情報をキャプチャし、知識の蒸留を通じて、この知識を下流の資産予測者に伝達する。 CrysMMNetは、グラフ構造とテキスト記述を共同でモデル化することで、結晶表現をさらに強化し、局所的な化学知識とグローバルな構造知識の両方を取り入れた。 TGDMat(TGDMat)は、格子パラメータ、原子タイプ、原子座標を共同でモデル化し、復調中にテキスト構造知識を取り入れたテキスト誘導連成拡散フレームワークである。 これにより、より有効で安定した周期的な材料を生成できると同時に、自然言語記述からの条件生成もサポートできる。 全体として、この論文はデータ効率性予測と制御可能な結晶生成のための統合AIベースのフレームワークを確立し、グラフ学習、マルチモーダル表現、生成モデルが計算コストを削減し、材料のスケーラビリティを向上させる方法を示している。

関連論文リスト

• Hierarchical Latent Structures in Data Generation Process Unify Mechanistic Phenomena across Scale [50.33952894976367]
  我々は文脈自由文法を用いて、ウェブスケールテキストコーパスのための忠実で効率的なプロキシである合成コーパスを生成する。 設計したデータ生成プロセスにおいて,誘導ヘッド,関数ベクトル,ハイドラ効果という3つの力学現象の出現について検討する。 これらの現象の出現を説明する上で,データ生成プロセスの階層構造がX因子となることが示唆された。
  論文  参考訳（メタデータ） (2026-02-04T14:49:13Z)
• CLOUD: A Scalable and Physics-Informed Foundation Model for Crystal Representation Learning [0.0]
  CLOUD(Crystal Language mOdel for Unified and Differentiable Materials Modeling)は,新しいSCOPE(Symmetry-Consistent SCOPE)をトレーニングしたトランスフォーマーベースのフレームワークである。 CLOUDは600万以上の結晶構造で事前訓練されており、幅広い材料特性を予測する上での競争性能を達成する。 異種材料モデリングの概念の証明として, フォノン内部エネルギーと熱容量の予測にCLOUDを適用した。
  論文  参考訳（メタデータ） (2025-06-19T15:45:24Z)
• Causal Discovery from Data Assisted by Large Language Models [50.193740129296245]
  知識駆動発見のために、実験データと事前のドメイン知識を統合することが不可欠である。 本稿では、高分解能走査透過電子顕微鏡(STEM)データと大規模言語モデル(LLM)からの洞察を組み合わせることで、このアプローチを実証する。 SmドープBiFeO3(SmBFO)におけるChatGPTをドメイン固有文献に微調整することにより、構造的、化学的、分極的自由度の間の因果関係をマッピングするDAG(Directed Acyclic Graphs)の隣接行列を構築する。
  論文  参考訳（メタデータ） (2025-03-18T02:14:49Z)
• CAST: Cross Attention based multimodal fusion of Structure and Text for materials property prediction [5.623295547221969]
  クロスアテンションに基づくモデルは、グラフ表現と資料のテキスト記述を統合する。 CASTは4つの重要な材料特性で既存のベースラインモデルを上回っている。 本研究は,材料科学において,より正確かつグローバルに情報を得た予測モデルを開発するためのマルチモーダル学習フレームワークの可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2025-02-06T02:29:39Z)
• Generative Hierarchical Materials Search [91.93125016916463]
  結晶構造の制御可能な生成のための生成階層材料探索(GenMS)を提案する。 GenMSは(1)高レベル自然言語を入力とし、結晶に関する中間テキスト情報を生成する言語モデルからなる。 GenMSはまた、生成された結晶構造から特性(たとえば生成エネルギー)を予測するためにグラフニューラルネットワークを使用する。
  論文  参考訳（メタデータ） (2024-09-10T17:51:28Z)
• Learning to Model Graph Structural Information on MLPs via Graph Structure Self-Contrasting [50.181824673039436]
  本稿では,グラフ構造情報をメッセージパッシングなしで学習するグラフ構造自己コントラスト(GSSC)フレームワークを提案する。 提案するフレームワークは,構造情報を事前知識として暗黙的にのみ組み込む,MLP(Multi-Layer Perceptrons)に基づいている。 これはまず、近傍の潜在的非形式的あるいはノイズの多いエッジを取り除くために構造的スペーシングを適用し、その後、スペーシングされた近傍で構造的自己コントラストを行い、ロバストなノード表現を学ぶ。
  論文  参考訳（メタデータ） (2024-09-09T12:56:02Z)
• CrysAtom: Distributed Representation of Atoms for Crystal Property Prediction [0.0]
  物質科学の文献では、結晶性物質がトポロジカルな構造を示すことはよく知られている。 本稿では,原子の密度ベクトル表現を生成するために,無相関結晶データを用いた教師なしフレームワーク,CrysAtomを提案する。
  論文  参考訳（メタデータ） (2024-09-07T06:58:55Z)
• Scalable Diffusion for Materials Generation [99.71001883652211]
  我々は任意の結晶構造(ユニマット)を表現できる統一された結晶表現を開発する。 UniMatはより大型で複雑な化学系から高忠実度結晶構造を生成することができる。 材料の生成モデルを評価するための追加指標を提案する。
  論文  参考訳（メタデータ） (2023-10-18T15:49:39Z)
• CrysMMNet: Multimodal Representation for Crystal Property Prediction [22.576167897068956]
  CrysMMNetは、構造的およびテキスト的表現を融合させ、結晶材料の共同マルチモーダル表現を生成する単純なマルチモーダルフレームワークである。 我々は、CrysMMNetが既存の最先端のベースラインメソッドよりも優れたマージンを持つことを示すために、10の異なるプロパティにわたる2つのベンチマークデータセットに関する広範な実験を行った。
  論文  参考訳（メタデータ） (2023-06-09T11:16:01Z)
• CrysGNN : Distilling pre-trained knowledge to enhance property prediction for crystalline materials [25.622724168215097]
  本稿では結晶材料のための新しいトレーニング済みGNNフレームワークであるCrysGNNについて述べる。 これは、未ラベルの材料データを用いて、結晶グラフのノードレベルとグラフレベルの構造情報をキャプチャする。 我々は、事前訓練されたモデルから知識を抽出することで、全てのSOTAアルゴリズムがベニラバージョンを良好なマージンで上回ることができることを示す広範囲な実験を行った。
  論文  参考訳（メタデータ） (2023-01-14T08:12:01Z)

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。