論文の概要: Where Should Physics Enter a Molecular Crystal Generator?

• arxiv url: http://arxiv.org/abs/2609.36398v1
• Date: Mon, 28 Sep 2026 23:53:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.057604
• Title: Where Should Physics Enter a Molecular Crystal Generator?
• Title（参考訳）: 物理はどこで分子結晶発生器に入るべきか?
• Abstract要約: 生成モデルは分子結晶構造を高速に予測するが、それらのサンプルは幾何学的およびパッキング違反を示す。 我々は、全原子結晶フローマップ生成モデルであるCrystAFを導入し、UMA原子間ポテンシャルを用いて物理がどこに入るべきかを体系的に研究する。 ポストトレーニングはCrystAFに直接物理的嗜好を学習し、サンプリングをそのまま残しながら分子の妥当性と結晶パッキングを改善する。
• 参考スコア（独自算出の注目度）: 8.866911020877685
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative models make molecular crystal structure prediction fast, but their samples still exhibit geometric and packing violations. Physics can be introduced during training, post-training, or inference, yet these choices are rarely compared with the generator and physical signal held fixed. We introduce CrystAF, an all-atom crystal flow-map generation model, and use it with the UMA interatomic potential to systematically study where physics should enter. Post-training learns physical preferences directly into CrystAF, improving molecular validity and crystal packing while leaving sampling unchanged: physics is paid for once during training rather than repeatedly at deployment. In contrast, UMA relaxation is effective at repairing local clashes but makes generation 6--26$\times$ slower, while learning from relaxed targets provides little benefit. These routes are complementary rather than competing. Physics-informed post-training first shifts the generated distribution toward more physically reasonable structures, after which inexpensive inference-time corrections further remove clashes and restore stereochemistry that the generator cannot represent. Importantly, the same post-training strategy also improves the multi-step all-atom Clari-M and rigid-body MolCrystalFlow generators, demonstrating transfer across architectures and representations. Together, our results suggest a simple principle: learn reusable physical alignment into the generator, and reserve inference-time physics for residual constraints that are better corrected than learned.
• Abstract（参考訳）: 生成モデルは分子結晶構造を高速に予測するが、それらのサンプルは幾何学的およびパッキング違反を示す。 物理は、トレーニング、ポストトレーニング、推論の間に導入することができるが、これらの選択は、固定されたジェネレータや物理信号と比較されることは滅多にない。 我々は、全原子結晶フローマップ生成モデルであるCrystAFを導入し、UMA原子間ポテンシャルを用いて物理がどこに入るべきかを体系的に研究する。 ポストトレーニングは、CrystAFに直接物理的嗜好を学習し、サンプリングをそのまま残しながら分子の妥当性と結晶パッキングを改善します。 対照的に、UMA緩和は局所的な衝突の修復に有効であるが、生成を6-26$\times$で遅くする。 これらの路線は競合するよりも補完的である。 物理インフォームドポストトレーニングは、生成した分布をより物理的に合理的な構造へとシフトさせ、その後、安価な推論時間補正により衝突を除去し、生成元が表現できない立体化学を復元する。 重要な点として、同じポストトレーニング戦略は、マルチステップの全原子Clari-Mと剛体MolCrystalFlowジェネレータを改善し、アーキテクチャと表現間の転送を示す。 この結果から, 再利用可能な物理アライメントをジェネレータに学習し, 残差制約に対する予備的推論時間物理を学習する, という簡単な原理が示唆された。

関連論文リスト

• CrystalREPA: Transferring Physical Priors from Universal MLIPs to Crystal Generative Models [10.446104330081189]
  我々は、最先端の結晶生成モデルと、事前訓練されたユニバーサル機械学習の原子間ポテンシャルの間には、かなりの差があることを示す。 生成エンコーダの原子レベルで隠された状態を凍結MLIP表現と整合させるプラグイン・アンド・プレイ・フレームワークであるCrystalREPAを提案する。 クリスタルREPAは、生成結晶の熱力学的安定性、構造的妥当性、構造的忠実度を一貫して改善する。
  論文  参考訳（メタデータ） (2026-05-09T13:56:23Z)
• Rollback-Free Stable Brick Structures Generation [51.856925926010184]
  既存のアプローチでは、リジェクションサンプリングとブロック・バイ・ブロックのロールバックを行うために、推論中に外部物理シミュレータに依存している。 本稿では,身体的妥当性をテスト時間補正からトレーニング時間ポリシー最適化にシフトさせる強化学習パラダイムを提案する。 実験結果から,提案手法は予測速度を桁違いに向上させつつ,最先端の生成品質を実現することを示す。
  論文  参考訳（メタデータ） (2026-05-07T21:06:44Z)
• PhyCo: Learning Controllable Physical Priors for Generative Motion [55.59209981836171]
  本稿では,ビデオ生成に連続的,解釈可能,物理的に接地された制御を導入するフレームワークであるPhyCoを紹介する。 i) 摩擦, 再構成, 変形, 力が様々なシナリオで体系的に変化する100K以上のフォトリアリスティック・シミュレーション・ビデオの大規模データセット, (ii) 物理制御された拡散モデルの微調整, (iii) VLM誘導報酬最適化, 微調整された視覚言語モデルにより、対象とする物理クエリを用いて生成されたビデオを評価し、異なるフィードバックを提供する。
  論文  参考訳（メタデータ） (2026-04-30T17:53:03Z)
• Zatom-1: A Multimodal Flow Foundation Model for 3D Molecules and Materials [51.342983349686556]
  汎用的な3Dケミカルモデリングは分子や材料を含み、生成能力と予測能力の両方を必要とする。 Zatom-1は、3D分子や材料の生成的および予測的学習を統一する、エンド・ツー・エンドの完全なオープンソース基盤モデルである。
  論文  参考訳（メタデータ） (2026-02-24T20:52:39Z)
• PhyGHT: Physics-Guided HyperGraph Transformer for Signal Purification at the HL-LHC [37.00785552609802]
  物理誘導型ハイパーグラフ変換器(PhyGHT)は,距離認識型局所グラフとグローバル自己注意を組み合わせたハイブリッドアーキテクチャである。 極端積み上げ条件をモデル化するために,トップクォーク対生成のシミュレーションデータセットを新たにリリースする。 PhyGHTは、信号のエネルギーと質量補正係数を予測する際に、最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-02-24T02:07:33Z)
• Elign: Equivariant Diffusion Model Alignment from Foundational Machine Learning Force Fields [7.740456623132954]
  両コストを償却するポストトレーニングフレームワークであるElignを紹介します。 我々は、高価なDFT評価を、より高速で事前訓練された基礎学習力場に置き換える。 実験により、エリーンは安定性を改善しつつ、より低い金標準のDFTエネルギーと力でコンフォメーションを生成することが示された。
  論文  参考訳（メタデータ） (2026-01-29T17:00:09Z)
• PhysRVG: Physics-Aware Unified Reinforcement Learning for Video Generative Models [100.65199317765608]
  物理原理は現実的な視覚シミュレーションには基本的だが、トランスフォーマーベースのビデオ生成において重要な監視対象である。 本研究では,物理衝突ルールを高次元空間に直接適用した映像生成モデルのための物理認識強化学習パラダイムを提案する。 このパラダイムを、MDcycle(Mimicry-Discovery Cycle)と呼ばれる統合フレームワークに拡張することで、大幅な微調整を可能にします。
  論文  参考訳（メタデータ） (2026-01-16T08:40:10Z)
• A physics-aware deep learning model for shear band formation around collapsing pores in shocked reactive materials [2.8897045834881343]
  本研究は, 弱い加圧を受ける結晶性エネルギー材料 (EM) におけるホットスポットの形成について検討した。 直接数値シミュレーションに伴う計算課題を克服するため,物理対応リカレント畳み込みニューラルネットワーク(PARCv2)を進歩させる。 PARCv2は、フーリエニューラル演算子とニューラル常微分方程式という、広く使われている2つの物理インフォームドモデルに対してベンチマークされる。
  論文  参考訳（メタデータ） (2025-10-08T14:20:49Z)
• Molecule Design by Latent Prompt Transformer [76.2112075557233]
  本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。 本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-27T03:33:23Z)
• Investigating the Behavior of Diffusion Models for Accelerating Electronic Structure Calculations [24.116064925926914]
  機械学習を用いた電子構造計算を著しく高速化する可能性による調査 モデルがポテンシャルエネルギー表面の1次構造について学習し、その後高次構造について学習することを示す。 構造緩和のために、このモデルは、小さな有機分子の古典的な力場によって生成されるものよりも10倍低いエネルギーのジオメトリを見つける。
  論文  参考訳（メタデータ） (2023-11-02T17:58:37Z)

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。