論文の概要: GLASS: Global Latent Aggregation with Slot-based Set Decoding for Scalable All-Atom Crystal Generation

• arxiv url: http://arxiv.org/abs/2609.37158v1
• Date: Tue, 29 Sep 2026 09:48:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.40011
• Title: GLASS: Global Latent Aggregation with Slot-based Set Decoding for Scalable All-Atom Crystal Generation
• Title（参考訳）: GLASS: スケーラブルな全原子結晶生成のためのスロットベースのセットデコーディングによるグローバル遅延アグリゲーション
• Abstract要約: 我々は、置換不変なグローバル潜在空間の構造を符号化し、フローマッチングによりそれらの分布を学習するGLASSを紹介する。 MP20では、GLASSは粒子空間モデルと競合し、フロートレーニングは各構造サイズでのトレーニングデータの妥当性に達する。 QMOFサブセットでは、GLASSは構築ブロック、トポロジー、組成を条件にすることなく、単位セル当たり150原子のMOFを生成する。
• 参考スコア（独自算出の注目度）: 18.916218559701104
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative models for crystals enable the discovery of novel structures, but scaling all-atom generation to larger systems such as metal--organic frameworks remains challenging. We connect this difficulty to the correspondence problem of particle-space generation. Even on a single fixed target set, index-free permutation-equivariant particle flows require substantially more training for reliable generation as set size and density increase, under both independent and optimal-transport couplings. To resolve this challenge, we introduce GLASS---Global Latent Aggregation with Slot-based Set Decoding, which encodes structures in a permutation-invariant global latent space and learns their distribution via flow matching. A learned-slot decoder constructs all atoms in parallel, removing atom-wise correspondence from generative transport. On MP20, GLASS is competitive with particle-space models, and flow training can reach the validity of the training data at every structure size. On a QMOF subset, GLASS generates MOFs with up to 150 atoms per unit cell without conditioning on building blocks, topology, or composition, and approaches the structural validity of the training data. On both datasets, flow training exposes a validity--novelty tradeoff, and MOF novelty remains limited by autoencoder generalization on the available data. These results show that separating correspondence assignment from generative transport provides a simple route toward high-validity generation of larger atomistic systems.
• Abstract（参考訳）: 結晶の生成モデルは新しい構造の発見を可能にするが、全原子生成を金属などの大規模システムに拡張することは困難である。 この困難さを粒子空間生成の対応問題に結びつける。 1つの固定されたターゲットセットであっても、インデックスフリーな置換同変粒子フローは、独立結合と最適輸送結合の両方の下で、セットサイズと密度が増加するにつれて、信頼性の高い生成のためにかなり多くの訓練を必要とする。 この問題を解決するために,GLASS--Global Latent Aggregation with Slot-based Set Decodingを導入する。 学習スロットデコーダは、すべての原子を並列に構築し、生成輸送から原子ワイズ対応を取り除く。 MP20では、GLASSは粒子空間モデルと競合し、フロートレーニングは各構造サイズでのトレーニングデータの妥当性に達する。 QMOFサブセットでは、GLASSはビルディングブロック、トポロジー、組成を条件にすることなく、最大150個の原子を持つMOFを生成し、トレーニングデータの構造的妥当性にアプローチする。 両方のデータセット上では、フロートレーニングは妥当性-ノベルティトレードオフを露呈し、MOFの新規性は利用可能なデータに対するオートエンコーダの一般化によって制限される。 以上の結果から, 生成的輸送から対応代入を分離することは, より大きな原子系を高効率に生成するための簡単な経路となることが示唆された。

関連論文リスト

• WorldParticle: Unified World Simulation of Lagrangian Particle Dynamics via Transformer [107.36949516442782]
  本研究では, 単一トランスアーキテクチャ上に構築された学習型粒子シミュレータを用いて, 布, 弾性体, ニュートン流体, ニュートン流体, 粒状物質, 分子動力学をモデル化する。
  論文  参考訳（メタデータ） (2026-05-14T18:18:12Z)
• Global Optimization of Atomic Clusters via Physically-Constrained Tensor Train Decomposition [37.69102815774395]
  我々は、ポテンシャルエネルギー表面の低ランク構造を利用して制限を克服する新しい枠組みを導入する。 最大45個の原子を含むレナード・ジョーンズクラスターの大域的ミニマムを同定し,本手法の有効性を実証した。 我々は,20原子炭素クラスターを機械学習型モーメントポテンシャルを用いて最適化することにより,実世界のシステムへの適用性を確立する。
  論文  参考訳（メタデータ） (2026-01-26T15:38:20Z)
• PhyG-MoE: A Physics-Guided Mixture-of-Experts Framework for Energy-Efficient GNSS Interference Recognition [49.955269674859004]
  本稿では,PhyG-MoE(Physics-Guided Mixture-of-Experts)について述べる。 静的アーキテクチャとは異なり、提案システムはスペクトル特性の絡み合いに基づいて信号をルーティングするスペクトルベースのゲーティング機構を用いる。 高容量のTransNeXtエキスパートがオンデマンドでアクティベートされ、飽和シナリオで複雑な機能を分離する一方、軽量のエキスパートは基本的なシグナルを処理してレイテンシを最小化する。
  論文  参考訳（メタデータ） (2026-01-19T07:57:52Z)
• SKANet: A Cognitive Dual-Stream Framework with Adaptive Modality Fusion for Robust Compound GNSS Interference Classification [47.20483076887704]
  グローバルナビゲーション衛星システム(GNSS)は、洗練された妨害による脅威の増大に直面している。 時間周波数画像(TFI)とパワースペクトル密度(PSD)を統合した2重ストリームアーキテクチャに基づく認知的ディープラーニングフレームワークを提案する。 SKANetは96.99%の精度を達成し、複合妨害分類において優れたロバスト性を示した。
  論文  参考訳（メタデータ） (2026-01-19T07:42:45Z)
• Energy-Based Coarse-Graining in Molecular Dynamics: A Flow-Based Framework without Data [0.0]
  粗粒モデル(CG)は分子シミュレーションの複雑さを減らす効果的な経路を提供する。 本稿では,全原子ボルツマン分布を直接対象とするCGのための完全データフリーな生成フレームワークを提案する。 本手法はボルツマン分布のすべてのモードを捕捉し、原子配置を再構成し、自動的に物理的に意味のあるCG表現を学習することを示す。
  論文  参考訳（メタデータ） (2025-04-29T17:05:27Z)
• 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)
• DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained Diffusion [66.21290235237808]
  本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。 任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。 各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-01-23T15:18:54Z)

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。