論文の概要: Deep Generative Crystal Structure Prediction: A Benchmark Study and a Controlled Test of Prototype Dependence

• arxiv url: http://arxiv.org/abs/2609.26502v1
• Date: Tue, 22 Sep 2026 14:35:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-24 01:05:39.700466
• Title: Deep Generative Crystal Structure Prediction: A Benchmark Study and a Controlled Test of Prototype Dependence
• Title（参考訳）: 深部生成結晶構造予測:原型依存性のベンチマークと制御試験
• Abstract要約: 深部生成モデルは、デノボ結晶構造予測(CSP)を可能にするために広く報告されているが、その能力はテンプレートベースの方法に対して一貫して測定されていない。 我々は,180の試験構造上のTCSP 2.0と46のリーク制御サブセットに対して,潜伏変数,拡散,フローマッチング,自己回帰,多様体ランダムウォークアーキテクチャにまたがる12の代表的なCSPモデルを評価した。 すべてのメソッドは、同じ構造マッチング、対称性、コンセンサス基準を使用する。
• 参考スコア（独自算出の注目度）: 10.598187778772543
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Deep generative models are widely reported to enable de novo crystal structure prediction (CSP), but their capability has not been measured consistently against template-based methods. We evaluate 12 representative generative CSP models, spanning latent-variable, diffusion, flow-matching, autoregressive, and manifold random-walk architectures, against TCSP 2.0 on 180 test structures and a leakage-controlled subset of 46. All methods use identical structure-matching, symmetry, and consensus criteria. Template retrieval is the strongest single method, reaching 68.3% top-1 success; symmetry-aware EquiCSP (66.4%) and Uni-3DAR (62.9%) form the next tier. However, comparison with TCSP 2.0 shows that most structures correctly predicted by generative models are also correctly predicted by template substitution. Thus, the set of structures uniquely reachable by generation is small, limiting its practical advantage for discovering structures outside existing prototype libraries. To test the source of this performance, we removed entire stoichiometric prototype families from the training set and retrained the strongest generative model. Accuracy declined by 50-78% across four families, establishing that performance is substantially prototype-dependent. A small minority of structures survived removal of their prototype family, demonstrating a real but limited retrieval-independent predictive capacity. Present generative CSP models therefore function largely as implicit, softer-edged prototype libraries rather than genuinely de novo predictors. Enlarging this residual capacity, rather than aggregate match rate alone, is the central open problem.
• Abstract（参考訳）: 深部生成モデルは、デノボ結晶構造予測(CSP)を可能にするために広く報告されているが、その能力はテンプレートベースの方法に対して一貫して測定されていない。 我々は,180の試験構造上のTCSP 2.0と46のリーク制御サブセットに対して,潜伏変数,拡散,フローマッチング,自己回帰,多様体ランダムウォークアーキテクチャにまたがる12の代表的なCSPモデルを評価した。 すべてのメソッドは、同じ構造マッチング、対称性、コンセンサス基準を使用する。 テンプレート検索は68.3%のトップ-1に到達し、対称性を意識したEquiCSP(66.4%)とUni-3DAR(62.9%)が次の階層を構成する。 しかし、TCSP 2.0と比較すると、生成モデルによって正しく予測されるほとんどの構造はテンプレート置換によって正しく予測される。 このように、生成によって一意に到達可能な構造の集合は小さく、既存のプロトタイプライブラリ以外の構造を発見するための実用上の利点を制限している。 この性能の源泉をテストするため, トレーニングセットから全統計的プロトタイプ群を除去し, 最強生成モデルを再訓練した。 4つのファミリーで50-78%の精度が低下し、パフォーマンスが実質的にプロトタイプに依存していることが判明した。 少数の構造体がプロトタイプファミリーの除去に成功し、真の検索非依存の予測能力を示した。 したがって、現在のCSPモデルは真にnovo予測子ではなく、暗黙的で、よりソフトなプロトタイプライブラリとして機能する。 この余剰容量を増やすことは、アグリゲートマッチレートのみではなく、中心的なオープン問題である。

関連論文リスト

• Prototype-Based Test-Time Adaptation of Vision-Language Models [58.28899599773308]
  PTA(Prototype-based Test-Time Adaptation) PTAは一連のクラス固有の知識プロトタイプを使用して、テストサンプルから知識を蓄積する。 PTAは最先端の性能を達成しつつ、極めて高い効率を達成する。
  論文  参考訳（メタデータ） (2026-04-23T07:20:56Z)
• AgentCPM-Explore: Realizing Long-Horizon Deep Exploration for Edge-Scale Agents [75.67445299298949]
  AgentCPM-Exploreは、知識密度と強力な探索能力を備えたコンパクトな4Bエージェントモデルである。 本稿では,パラメータ空間モデルの融合,報酬信号の復調,文脈情報の改良を特徴とする総合的なトレーニングフレームワークを提案する。 AgentCPM-Exploreは4つのベンチマークで8BクラスのSOTAモデルにマッチまたは超え、また5つのベンチマークでClaude-4.5-SonnetやDeepSeek-v3.2のような大規模モデルよりも優れている。
  論文  参考訳（メタデータ） (2026-02-06T08:24:59Z)
• Diagnosing Heteroskedasticity and Resolving Multicollinearity Paradoxes in Physicochemical Property Prediction [0.2330146832085843]
  PubChem, ChEMBL, eMoleculesデータベースから426,850個の生物活性分子を解析した。 計算された logP 値を予測する線形モデルでは, 重度のヘテロスケダスト性が確認された。 木に基づくアンサンブル法は本質的にヘテロスケダスティック性に強く,予測性能は優れていた。
  論文  参考訳（メタデータ） (2025-12-31T05:32:13Z)
• The Drill-Down and Fabricate Test (DDFT): A Protocol for Measuring Epistemic Robustness in Language Models [0.0]
  現在の言語モデル評価は、理想的な条件下でモデルが知っていることを計測するが、現実的なストレス下でそれをどれだけ堅牢に知っているかは測定しない。 本稿では,ロバスト性を測定するプロトコルであるDrill-Down Fabricate Test (DDFT)を紹介する。 フラッグシップモデルはスケールにもかかわらず脆さを示すのに対して、小さなモデルは堅牢なパフォーマンスを実現することができる。
  論文  参考訳（メタデータ） (2025-12-29T20:29:09Z)
• Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
  第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。 We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
  論文  参考訳（メタデータ） (2025-11-04T17:22:22Z)
• Physics-informed diffusion models for extrapolating crystal structures beyond known motifs [2.154846250399764]
  物理インフォームド拡散法を開発した。 これらのメトリクスを条件付けすることで、アーキテクチャ全体の生成性能が向上します。 その結果, 生成モデルは結晶構造予測の代用ではないが, 化学的に情報を得た多様性誘導出力によりCSP効率が向上することが示唆された。
  論文  参考訳（メタデータ） (2025-10-27T10:21:35Z)
• Model Correlation Detection via Random Selection Probing [62.093777777813756]
  既存の類似性に基づく手法では、モデルパラメータにアクセスしたり、しきい値なしでスコアを生成する必要がある。 本稿では,モデル相関検出を統計的テストとして定式化する仮説テストフレームワークであるランダム選択探索(RSP)を紹介する。 RSPは相関の証拠を定量化する厳密なp-値を生成する。
  論文  参考訳（メタデータ） (2025-09-29T01:40:26Z)
• Attribute Fusion-based Classifier on Framework of Belief Structure [46.24928730489845]
  Dempster-Shafer Theory (DST)は、不確実性をモデリングするための強力なフレームワークを提供し、多属性分類タスクに広く適用されてきた。 従来のDSTに基づく属性融合型分類器は、単純化されたメンバーシップ関数モデリングと基本確率割当(BPA)による信念構造の限定的活用に悩まされている。 本稿では,2つの重要なイノベーションを通じて,これらの制限に対処する属性融合型分類器を提案する。
  論文  参考訳（メタデータ） (2025-08-31T09:05:15Z)
• Polymorphism Crystal Structure Prediction with Adaptive Space Group Diversity Control [2.981139602986498]
  結晶材料は、同じ化学組成で異なる構造配列(ポリモルフィック)を形成することができる。 適応空間群多様性制御手法を取り入れた多型CSPのための多目的遺伝的アルゴリズムを提案する。 ParetoCSP2は、ほぼ完全な空間群を含む多型予測において優れた性能を達成する。
  論文  参考訳（メタデータ） (2025-06-12T22:08:35Z)
• Squeezeformer: An Efficient Transformer for Automatic Speech Recognition [99.349598600887]
  Conformerは、そのハイブリッドアテンション・コンボリューションアーキテクチャに基づいて、様々な下流音声タスクの事実上のバックボーンモデルである。 Squeezeformerモデルを提案する。これは、同じトレーニングスキームの下で、最先端のASRモデルよりも一貫して優れている。
  論文  参考訳（メタデータ） (2022-06-02T06:06:29Z)
• tFold-TR: Combining Deep Learning Enhanced Hybrid Potential Energy for Template-Based Modelling Structure Refinement [53.98034511648985]
  現在のテンプレートベースのモデリングアプローチは2つの重要な問題に苦しんでいる。 テンプレートの異なる領域からの距離対の精度は様々であり、この情報はモデリングにはあまり導入されていない。 2つのニューラルネットワークモデルは、欠落した領域の距離情報と、テンプレートモデリング構造における異なる領域の距離ペアの精度を予測する。
  論文  参考訳（メタデータ） (2021-05-10T13:32:12Z)

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。