論文の概要: OMatG-flash: An All-Atom Flow Map with Reinforce Adjoint Matching for Scalable Materials Discovery

• arxiv url: http://arxiv.org/abs/2609.26402v1
• Date: Tue, 22 Sep 2026 13:36:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.393086
• Title: OMatG-flash: An All-Atom Flow Map with Reinforce Adjoint Matching for Scalable Materials Discovery
• Title（参考訳）: OMatG-flash: スケーラブルな材料発見のための強化結合マッチングを備えた全原子フローマップ
• Abstract要約: OMatGフラッシュは、無機結晶構造予測(CSP)とデノボ生成(DNG)のための全原子フローマップである 材料に対する最適な推論エンジンであり、予測ステップが桁違いに少なく、壁時計時間も少ない候補材料をサンプリングする。 OMatGフラッシュは、高品質な無機材料の創出を促進するためのフローマップの可能性を示す。
• 参考スコア（独自算出の注目度）: 1.5603588837434572
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The discovery of novel inorganic materials drives technological breakthroughs in critical fields such as computing and energy storage. Generative AI has promised to accelerate the materials discovery pipeline, but state-of-the-art flow and diffusion models remain bottlenecked by the cost of proposing candidate materials. To address this, we introduce OMatG-flash, an all-atom flow map for inorganic crystal structure prediction (CSP) and de novo generation (DNG). OMatG-flash is a Pareto-optimal inference engine for materials, sampling candidate materials with an order of magnitude fewer inference steps and less wall-clock time than existing flow and diffusion models while demonstrating benchmark performance on par with the state-of-the-art. To enable post-training fine-tuning we apply Reinforce Adjoint Matching to flow maps, further improving match rates and RMSE on the unconditional CSP task. OMatG-flash showcases the potential of flow maps to accelerate generation of high-quality candidate inorganic materials and demonstrates a step forward in sample throughput necessary for data-hungry materials discovery workflows.
• Abstract（参考訳）: 新規な無機材料の発見は、コンピューティングやエネルギー貯蔵といった重要な分野における技術革新を加速させる。 生成AIは、材料発見パイプラインを加速することを約束しているが、最先端のフローと拡散モデルは、候補物質の提案コストによってボトルネックを被っている。 そこで我々は, 無機結晶構造予測 (CSP) とデノボ生成 (DNG) のための全原子フローマップであるOMatG-flashを導入する。 OMatG-フラッシュ(OMatG-flash)は、材料のためのパレート最適推論エンジンであり、既存のフローや拡散モデルよりも予測ステップが桁違いに小さく、壁面時間も少ない候補物質をサンプリングし、最先端のベンチマーク性能を実証する。 学習後の微調整を可能にするために, フローマップにReinforce Adjoint Matchingを適用し, 非条件CSPタスクにおけるマッチング率とRMSEをさらに改善する。 OMatG-flashは、高品質な無機材料の創出を促進するためのフローマップの可能性を示し、データ・ハングリー材料発見ワークフローに必要なサンプルスループットのステップを示す。

関連論文リスト

• EMGFlow: Robust and Efficient Surface Electromyography Synthesis via Flow Matching [3.4728825864079877]
  深層学習に基づく表面筋電図(SEMG)のジェスチャー認識は、データ不足と限られた対象の多様性によってしばしばボトルネックとなる。 このギャップを埋めるために,条件付きsEMG生成フレームワークであるEMGFlowを提案する。 我々の知る限りでは、sEMG領域におけるフローマッチング(FM)と連続時間生成モデリングの適用性を調べる最初の研究である。
  論文  参考訳（メタデータ） (2026-04-15T10:07:29Z)
• The Rise of Generative AI for Metal-Organic Framework Design and Synthesis [11.906896137135897]
  生成人工知能の進歩は、金属-有機フレームワーク(MOF)の設計と発見の仕方を変えつつある。 このパースペクティブは、MOF候補の厳格な列挙から、オンデマンドで新しい多孔質構造体を自律的に提案、合成できる生成的アプローチへの移行を導入する。
  論文  参考訳（メタデータ） (2025-08-15T21:49:17Z)
• Spike Imaging Velocimetry: Dense Motion Estimation of Fluids Using Spike Cameras [84.58138852280813]
  本研究では、粒子画像速度測定(PIV)におけるスパイクカメラ(超高速・高ダイナミックレンジカメラの一種)の膨大なポテンシャルについて検討する。 本研究では,高乱流・複雑な流れ場に特化して設計された深層学習フレームワークSpike Imaging Velocimetry (SIV)を提案する。 本稿では,スパイクに基づくPIVデータセットであるParticle Scenes with Spike and Displacement (PSSD)を提案する。
  論文  参考訳（メタデータ） (2025-04-26T09:14:45Z)
• Open Materials Generation with Stochastic Interpolants [14.939468363546384]
  Open Materials Generation (OMatG) は、結晶材料の生成設計と発見のための統一的なフレームワークである。 OMatGは無機補間剤を用いて任意の塩基分布を無機結晶の標的分布にブリッジする。 我々はOMatGの性能を結晶構造予測と'de novo'生成の2つのタスクでベンチマークする。
  論文  参考訳（メタデータ） (2025-02-04T18:56:47Z)
• FlowLLM: Flow Matching for Material Generation with Large Language Models as Base Distributions [16.68310253042657]
  FlowLLMは、大きな言語モデル(LLM)とリーマンフローマッチング(RFM)を組み合わせて、新しい結晶材料を設計する新しい生成モデルである。 提案手法は最先端の手法よりも優れ, 安定物質の生成速度を3倍以上に向上させ, 安定, 特異, 新規結晶の生成速度を$sim50%以上向上させる。
  論文  参考訳（メタデータ） (2024-10-30T19:15:43Z)
• Guided Flows for Generative Modeling and Decision Making [55.42634941614435]
  その結果,ガイドフローは条件付き画像生成やゼロショット音声合成におけるサンプル品質を著しく向上させることがわかった。 特に、我々は、拡散モデルと比較して、オフライン強化学習設定axスピードアップにおいて、まず、計画生成にフローモデルを適用する。
  論文  参考訳（メタデータ） (2023-11-22T15:07:59Z)
• GAFlow: Incorporating Gaussian Attention into Optical Flow [62.646389181507764]
  我々はガウス的注意(GA)を光学フローモデルに押し込み、表現学習中に局所特性をアクセントする。 本稿では,既存の Transformer ブロックに簡単に接続可能な新しい Gaussian-Constrained Layer (GCL) を提案する。 動作解析のための新しいガウス誘導注意モジュール(GGAM)を提供する。
  論文  参考訳（メタデータ） (2023-09-28T07:46:01Z)

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。