論文の概要: Topology-Stratified Materials Discovery with A Flow-Based Generative Model

• arxiv url: http://arxiv.org/abs/2609.26547v1
• Date: Tue, 22 Sep 2026 15:02:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-24 01:05:39.715358
• Title: Topology-Stratified Materials Discovery with A Flow-Based Generative Model
• Title（参考訳）: フローベース生成モデルによるトポロジー抽出材料発見
• Abstract要約: 我々は,Wyckoff表現のトポロジ的特徴を学習し,この情報を利用して結晶を正確に生成する汎用フローベース生成モデルであるUFO-MGenを開発した。 最先端の生成モデルと比較すると、UFO-MGenは結晶生成の成功率が最も高い。
• 参考スコア（独自算出の注目度）: 1.6468834573591378
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate generation of crystal structures is the foundation to the discovery of high-performance materials for extreme-environment applications, such as aerospace, additive manufacturing, and fusion energy systems. Although generative modeling has emerged as a promising approach for crystal design, its performance remains limited by the complex crystal structures and diverse chemical compositions. In this work, we develop UFO-MGen, a universal flow-based generative model that learns topological features of Wyckoff representations and leverages this information to accurately generate crystals across vast structural and chemical spaces. Compared with state-of-the-art generative models, UFO-MGen achieves the highest crystal generation success rate under a rigorous multi-stability evaluation framework, the highest SUN (stable, unique, novel) rate, and a remarkable extrapolation capability that has not been reported by previous models. Furthermore, a fine-tuning module is implemented to UFO-MGen for property-constrained crystal generation, enabling the inverse materials design toward target properties. The UFO-MGen opens a new avenue for accelerated materials discovery and providing a foundation for universal materials intelligence.
• Abstract（参考訳）: 正確な結晶構造の生成は、航空宇宙、添加物製造、核融合エネルギーシステムなどの極端環境応用のための高性能材料発見の基礎となる。 生成モデリングは結晶設計の有望なアプローチとして現れてきたが、その性能は複雑な結晶構造と多様な化学組成によって制限されている。 本研究では,Wyckoff表現のトポロジ的特徴を学習し,この情報を利用して広い構造空間と化学空間の結晶を正確に生成する汎用フローベース生成モデルであるUFO-MGenを開発する。 UFO-MGenは、最先端の生成モデルと比較すると、厳密な多安定度評価フレームワークの下で最高の結晶生成成功率、最高のSUN(安定、ユニーク、新規)レート、そして以前のモデルでは報告されていない顕著な外挿能力を達成する。 さらに、プロパティ制約された結晶生成のためにUFO-MGenに微調整モジュールを実装し、逆材料をターゲット特性に設計することができる。 UFO-MGenは、材料発見を加速し、普遍的な材料知能の基盤を提供する新しい道を開く。

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)
• MatLLMSearch: Crystal Structure Discovery with Evolution-Guided Large Language Models [27.083255538087215]
  事前学習されたLarge Language Models (LLMs) は, 微調整を伴わずに, 本質的に新規で安定した結晶構造を生成可能であることを示す。 我々のフレームワークは、進化的パイプライン内でLSMをインテリジェントな提案エージェントとして使用し、暗黙のクロスオーバーと突然変異操作を実行するように誘導する。 MatLLMSearchは、機械学習の原子間ポテンシャルによって78.38%の準安定率と31.7%のDFT認証安定性を達成している。
  論文  参考訳（メタデータ） (2025-02-28T10:41:16Z)
• Active Learning for Conditional Inverse Design with Crystal Generation and Foundation Atomic Models [2.8408587358426725]
  本稿では, 結晶生成モデルと基本原子モデルを組み合わせて, 逆設計の精度と効率を高めるための能動的学習フレームワークを提案する。 我々のフレームワークは、様々な結晶生成と基盤原子モデルに対応し、AI駆動材料発見のためのスケーラブルなアプローチを確立している。
  論文  参考訳（メタデータ） (2025-02-24T09:15:38Z)
• 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)
• Efficient Symmetry-Aware Materials Generation via Hierarchical Generative Flow Networks [52.13486402193811]
  新しい固体材料は、結晶構造の広大な空間を急速に探索し、安定した領域を探索する必要がある。 既存の手法では、大きな材料空間を探索し、望ましい特性と要求を持った多様なサンプルを生成するのに苦労している。 本研究では, 材料空間の対称性を効果的に活用し, 所望の特性を持つ結晶構造を生成するために, 階層的探索戦略を用いた新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-11-06T23:53:34Z)
• Generative Inverse Design of Crystal Structures via Diffusion Models with Transformers [1.2289361708127877]
  有望な性質を持つ新しい無機材料は、科学的にも工業的にも重要な課題である。 有望な性質を持つ新しい無機材料の発見は、科学的にも工業的にも重要な課題である。 そこで本研究では,トランスフォーマーアーキテクチャに基づくバックボーンを用いた,結晶構造の生成的逆設計のための新しいタイプの拡散モデルについて検討する。
  論文  参考訳（メタデータ） (2024-06-13T16:03:15Z)
• 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)
• 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。