論文の概要: CrystalMO-TuRBO: Multi-Objective Trust-Region Bayesian Optimization for High-precision Joint Crystal Structure Refinement
- arxiv url: http://arxiv.org/abs/2609.20592v1
- Date: Thu, 17 Sep 2026 15:45:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:54.357862
- Title: CrystalMO-TuRBO: Multi-Objective Trust-Region Bayesian Optimization for High-precision Joint Crystal Structure Refinement
- Title（参考訳）: CrystalMO-TuRBO:高精度継手結晶微細化のための多目的トラスト-Region Bayesian最適化
- Abstract要約: 結晶構造改善は材料特性の基本的な問題である。
結晶構造改善のための多目的信頼領域最適化であるCrystal-TuRBOを提案する。
単結晶ピロクロア材料システムから収集したX線および中性子データを評価した。
- 参考スコア（独自算出の注目度）: 0.6372261626436676
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Crystal structure refinement is a fundamental inverse problem in materials characterization, where structural parameters are optimized to reproduce experimental diffraction data. Conventional approaches, such as least-squares and likelihood-based optimization, rely on local search and often struggle with non-convex, noisy, and highly correlated parameter landscapes, particularly when integrating multiple diffraction modalities. Joint refinement of X-ray and neutron data is especially challenging due to their complementary but competing sensitivities, which are typically combined through scalarized objectives requiring manual weighting and leading to suboptimal solutions. We propose CrystalMO-TuRBO, a multi-objective trust region Bayesian optimization architecture for joint crystal structure refinement. The method models X-ray and neutron discrepancies as separate objectives and transforms the problem into a normalized maximization setting. A two-phase optimization strategy is introduced: Phase 1 performs global exploration using parallel trust-region Bayesian optimization across multiple scalarizations to identify promising regions of the parameter space, while Phase 2 conducts localized refinement within a shrinking region to achieve high-precision solutions. This design explicitly separates global search from fine-grained optimization, addressing the unique accuracy requirements of refinement tasks. We evaluate the proposed method on experimentally collected X-ray and neutron diffraction data from single-crystal Ho2Ti2O7. Results demonstrate improved convergence, robustness, and parameter precision compared to classical refinement methods and Bayesian optimization baselines on refinement of a single-crystal pyrochlore material system.
- Abstract（参考訳）: 結晶構造改善は材料特性の基本的な逆問題であり、構造パラメータは実験的な回折データを再現するために最適化される。
最小二乗法や確率に基づく最適化のような従来の手法は局所探索に依存しており、特に多重回折モードを統合する際には、非凸、雑音、高相関パラメータのランドスケープとしばしば苦労する。
X線と中性子データの共同精製は、相補的であるが競合する感度のため特に困難であり、通常は手動の重み付けを必要とし、準最適解をもたらす。
本研究では,多目的信頼領域ベイズ最適化アーキテクチャであるCrystalMO-TuRBOを提案する。
この方法は、X線と中性子の差分を別個の目的としてモデル化し、問題を正規化された最大化設定に変換する。
位相1はパラメータ空間の有望な領域を特定するために複数のスカラライズにまたがる並列信頼領域ベイズ最適化を用いて大域的な探索を行い、位相2は縮小領域内で局所化された洗練を行い、高精度な解を得る。
この設計は、グローバル検索を細かな最適化から明確に分離し、精細化タスクのユニークな精度要件に対処する。
本研究では, 単結晶Ho2Ti2O7のX線および中性子回折データについて検討した。
その結果, 単結晶ピロクロア系材料の微細化に基づく古典的精製法やベイズ最適化法と比較して, 収束性, 堅牢性, パラメータ精度が向上した。
関連論文リスト
- Fitting Unknown Number of Hyperplanes with Manifold Optimization [57.48093263119306]
未知数の線形平面をデータに適合させることは、機械学習の根本的な課題である。
既存のアプローチはしばしば最適な最適化に苦しむか、幾何的整合性に欠ける。
論文 参考訳（メタデータ） (2026-05-27T14:02:20Z) - Domain Knowledge Guided Bayesian Optimization For Autonomous Alignment Of Complex Scientific Instruments [0.44654729785785796]
本稿では,探索問題をシンプルにするために,物理的な洞察を活かしたベイズ最適化手法を提案する。
本稿では,12次元6結晶スプリット・アンド・レイ光学系における本手法の有効性を実証する。
実測値を利用して高次元の結合最適化問題をより単純な表現に変換することにより、迅速かつ堅牢な自動チューニングが可能となる。
論文 参考訳（メタデータ） (2026-02-11T09:15:20Z) - Efficient Differentiable Causal Discovery via Reliable Super-Structure Learning [51.20606796019663]
本稿では,新たな因果発見パイプラインであるALVGLを提案する。
ALVGLはスパース分解とローランク分解を用いてデータの精度行列を学習する。
ALVGLは最先端の精度を達成するだけでなく、最適化効率を大幅に向上させることを示す。
論文 参考訳（メタデータ） (2026-01-09T02:18:59Z) - Crystal Generation using the Fully Differentiable Pipeline and Latent Space Optimization [5.73357925322938]
本稿では,対称性条件付き変分オートエンコーダ (CVAE) と微分可能なSO(3)パワースペクトルを結合したフレームワークを提案する。
我々は,直接および潜在結晶表現のバッチワイズ最適化を実現するために,完全微分可能なパイプラインを実装している。
論文 参考訳（メタデータ） (2026-01-08T05:24:59Z) - Physically-Constrained Autoencoder-Assisted Bayesian Optimization for Refinement of High-Dimensional Defect-Sensitive Single Crystalline Structure [0.45146010343938703]
構造・物性関係を確立するためには, 結晶対称性だけでなく, 欠陥に関する定量的知識も必要である。
本稿では,物理的に制約された変分自動エンコーダ(pcVAE)をベイズ最適化(BO)手法と統合したハイブリッド機械学習フレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-29T23:38:55Z) - From Coefficients to Directions: Rethinking Model Merging with Directional Alignment [66.99062575537555]
パラメータと特徴空間の両面に一貫した方向構造を整列する,方向アライメント付きemphMerging(method)という統一幾何学的枠組みを導入する。
分析の結果、指向性アライメントは構造的コヒーレンスを改善し、ベンチマーク、モデルスケール、タスク構成にまたがる広範な実験により、我々のアプローチの有効性がさらに検証された。
論文 参考訳（メタデータ） (2025-11-29T08:40:58Z) - Adaptive Linear Embedding for Nonstationary High-Dimensional Optimization [0.0]
Self-Adaptive embedding REMBO (SA-REMBO) はランダムEMBdding Bayesian Optimization (REMBO) を一般化して複数のランダムガウス埋め込みをサポートする新しいフレームワークである。
インデックス変数は埋め込み選択を制御し、サロゲート内の製品カーネルを介して潜伏潜伏子と共同でモデル化される。
従来のREMBO法や他の低ランクBO法が失敗する合成および実世界の高次元ベンチマークにおいて,本手法の利点を実証的に示す。
論文 参考訳（メタデータ） (2025-05-16T14:18:19Z) - Make Optimization Once and for All with Fine-grained Guidance [78.14885351827232]
Learning to Optimize (L2O)は、統合ニューラルネットワークによる最適化効率を向上させる。
L2Oパラダイムは、例えば、リフィット、目に見えない解決策を反復的または直接的に生成するなど、大きな成果を達成する。
そこで本研究では,Diff-L2Oと呼ばれる学習最適化のための一般的なフレームワークについて検討した。
論文 参考訳（メタデータ） (2025-03-14T14:48:12Z) - Diffusion Models as Constrained Samplers for Optimization with Unknown Constraints [55.39203337683045]
拡散モデルを用いてデータ多様体内で最適化を行う。
目的関数の微分可能性に応じて,2つの異なるサンプリング手法を提案する。
提案手法は,従来の最先端のベースラインよりも優れた,あるいは同等のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2024-02-28T03:09:12Z) - Learning Regions of Interest for Bayesian Optimization with Adaptive
Level-Set Estimation [84.0621253654014]
本稿では,高信頼領域を適応的にフィルタするBALLETというフレームワークを提案する。
理論的には、BALLETは探索空間を効率的に縮小することができ、標準BOよりも厳密な後悔を示すことができる。
論文 参考訳（メタデータ） (2023-07-25T09:45:47Z)
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。