論文の概要: Let CSP Be Your ANCHOR: Adaptive Crystal Search over Frozen Structure Priors

• arxiv url: http://arxiv.org/abs/2609.33407v2
• Date: Wed, 30 Sep 2026 06:15:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:25.849181
• Title: Let CSP Be Your ANCHOR: Adaptive Crystal Search over Frozen Structure Priors
• Title（参考訳）: CSPをアンコールにしよう:凍結した構造よりも適応的なクリスタルサーチ
• Abstract要約: 本稿では,結晶構造予測モデルに関する報酬をトレーニングした合成ポリシーであるANCHORを紹介する。 我々はANCHORが最先端のMSUNを29.2%から41.3%に引き上げ、さらに2つのCSPバックボーンに再トレーニングすることなく移行し、クリスタルライト-CSPへの蒸留後47.1%に達することを示した。
• 参考スコア（独自算出の注目度）: 9.113608335896934
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: De novo crystal generation (DNG) models decide where to search in composition space and how to generate structures with one set of weights. We argue that discovery is better served by separating the two. A crystal structure prediction (CSP) model is a physical prior that should be improved by likelihood training, while rewards, including novelty measured against the search's own history, should act on a search over compositions. We introduce ANCHOR, a GRPO composition policy trained with multi-objective rewards around a frozen CSP model, and continuous adaptive novelty (CAN), a graded novelty score against known structures and a growing discovery history. Using the frozen CSP model as a fixed ruler under one evaluator, we test where adaptation should act. Replacing DNG compositions with ANCHOR's policy on the same CSP backbone raises MSUN from 11.4% to 47.6% and SUN from 1.1% to 22.1% at 99.9% formula uniqueness. Fine-tuning DNG models directly on the same rewards instead moves their composition marginal without raising their on-hull fraction. We show that KL-regularized fine-tuning of a DNG model can only reweight chemistry the pretrained model already supports by a bounded factor, while unregularized DNG fine-tunes move toward known or less stable chemistry. Even a stability-only reward routed into ANCHOR's CSP backbone roughly halves SUN relative to the frozen backbone, whereas likelihood training on structures found during search can improve a CSP backbone. Under MatterGen's evaluation pipeline, ANCHOR raises state-of-the-art MSUN from 29.2% to 41.3%, transfers without retraining to two further CSP backbones, and reaches 47.1% after distillation into Crystalite-CSP. As with any model optimised against a potential, its on-hull rate depends on that potential.
• Abstract（参考訳）: デ・ノボ・クリスタル・ジェネレーション(DNG)モデルは、合成空間における探索の場所と、1組の重みで構造を生成する方法を決定する。 発見は2つを分けることでより役立ちます。 結晶構造予測(CSP)モデルは、可能性トレーニングによって改善されるべき物理前駆体であり、その一方で、探索の履歴に対して測定された新規性を含む報酬は、合成の探索に作用するべきである。 凍結したCSPモデルを中心とした多目的報酬を訓練したGRPO合成ポリシーであるANCHORと、既知の構造に対する段階的新規性スコアである連続適応ノベルティ(CAN)を紹介する。 凍結したCSPモデルを1つの評価器の下で固定定規として使用し、適応の振る舞いをテストする。 同じCSPバックボーン上でANCHORのポリシーでDNG組成物を置き換えると、MSUNは11.4%から47.6%に、SUNは1.1%から22.1%に、99.9%の定式的特異性で上昇する。 微調整のDNGモデルは、同じ報酬で直接、その代わりに、その構成を半減率を上げることなく、限界に移動させる。 KL-規則化されたDNGモデルの微調整は、既訓練モデルが既に有界因子によって支えられているような化学を再重み付けすることしかできず、非規則化されたDNG微細調整は、既知のあるいはより安定した化学へ移行することを示す。 ANCHORのCSPバックボーンにルートされる安定性のみの報酬でさえ、凍結したバックボーンに対してSUNを半減させる一方、探索中に見つかった構造に関するトレーニングはCSPバックボーンを改善する可能性がある。 MatterGenの評価パイプラインの下で、ANCHORは最先端のMSUNを29.2%から41.3%に引き上げ、さらに2つのCSPバックボーンに再トレーニングすることなく移行し、47.1%に達する。 ポテンシャルに対して最適化された任意のモデルと同様に、そのオンホールレートはそのポテンシャルに依存する。

関連論文リスト

• Deep Generative Crystal Structure Prediction: A Benchmark Study and a Controlled Test of Prototype Dependence [10.598187778772543]
  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。
  論文  参考訳（メタデータ） (2026-09-22T14:35:38Z)
• CrystalGRPO: Target-Aligned and Coverage-Preserving Reinforcement Learning for Flow-Based Crystal Structure Prediction [6.755097904953073]
  フローベース生成モデルは、結晶構造予測(CSP)の候補構造を効率的に生成できる しかし、事前訓練された目的は、下流ターゲットリカバリを直接最適化するものではない。 本稿では,既存のODE-to-SDEポリシ構築を協調座標-格子状態に拡張するCSP対応のポストトレーニングフレームワークであるCrystalGRPOを紹介する。
  論文  参考訳（メタデータ） (2026-08-06T20:53:00Z)
• Transitivity Meets Cyclicity: Explicit Preference Decomposition for Dynamic Large Language Model Alignment [11.867500058299939]
  一般選好モデル(GPM)は階層構造を周期性で絡み合わせるが、支配的な解決策を保証できない。 本稿では,好みをベクトルに明示的に切り離すハイブリッド・リワード・シクリックモデルを提案する。 DSPPOはアライメントを時間変化ゲームとして扱い、ナッシュ均衡に向けて政策を導く。
  論文  参考訳（メタデータ） (2026-05-17T09:27:26Z)
• Physics Guided Generative Optimization for Trotter Suzuki Decomposition [2.0305676256390934]
  本稿では, トロッター鈴木シミュレーションにおける製品公式の生成と評価のループについて述べる。 条件拡散モデルは戦略を提案し、物理情報ニューラルネットワークは微分フィデリティフィードバックを提供し、グラフニューラルネットワークは通勤者構造を符号化する。 この結果から, NISQ 指向コンパイルにおいて, 「生成モデルと物理監督」 が実現可能な角度であることが示唆された。
  論文  参考訳（メタデータ） (2026-05-13T09:48:33Z)
• From Phase Prediction to Phase Design: A ReAct Agent Framework for High-Entropy Alloy Discovery [0.0]
  本稿では,HEA合成を自律的に提案し,検証し,反復的に洗練するReAct (Reasoning + Acting) LLMエージェントを提案する。 フルプロンプトエージェントは、FCC、BCC、BCC+FCCの38%、18%、および38%のディスクリプタ空間再発見率を達成する。 本研究は, LLM誘導型エージェント推論を, 逆合金設計における勾配自由最適化の原理的, 透過的, 多様体的補完として確立する。
  論文  参考訳（メタデータ） (2026-03-10T14:20:53Z)
• Function-Space Decoupled Diffusion for Forward and Inverse Modeling in Carbon Capture and Storage [65.51149575007149]
  本稿では,Fun-DDPSについて述べる。Fun-DDPSは,関数空間拡散モデルと微分可能なニューラル演算子サロゲートを結合した生成フレームワークである。 Fun-DDPSは、ジョイントステートベースラインで観察される高周波アーティファクトから、物理的に一貫した実現をもたらす。
  論文  参考訳（メタデータ） (2026-02-12T18:58:12Z)
• MERGETUNE: Continued fine-tuning of vision-language models [77.8627788911249]
  微調整視覚言語モデル(VLM)は、しばしば事前訓練された知識を破滅的に忘れてしまう。 ゼロショットモデルに適応した後に事前学習した知識を回復するための新しいパラダイムである連続微調整(CFT)を導入する。
  論文  参考訳（メタデータ） (2026-01-15T15:15:53Z)
• Siamese Foundation Models for Crystal Structure Prediction [70.63218101004398]
  結晶構造予測(CSP)は、組成から安定な結晶構造を生成することを目的としている。 CSPは比較的未発見の領域である。 CSPに特化して設計されたシームズ基礎モデルを提案する。
  論文  参考訳（メタデータ） (2025-03-13T15:44:16Z)
• CLIPure: Purification in Latent Space via CLIP for Adversarially Robust Zero-Shot Classification [65.46685389276443]
  画像とテキストプロンプトをマッチングすることでゼロショット分類を行うことができる、視覚言語で事前訓練されたエンコーダモデルであるCLIPについて検討する。 次に, 共分散精製プロセス間のKL分散として精製リスクを定式化する。 画像の潜伏ベクトルの確率をモデル化するCLI-Diffと、画像の埋め込みとaの写真とのコサイン類似度をモデル化するCLI-Cosの2つのバリエーションを提案する。
  論文  参考訳（メタデータ） (2025-02-25T13:09:34Z)

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。