論文の概要: Riemannian Flow Models with Reinforcement Learning for Molecular Crystal Structure Prediction

• arxiv url: http://arxiv.org/abs/2609.39773v1
• Date: Wed, 30 Sep 2026 14:00:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.86445
• Title: Riemannian Flow Models with Reinforcement Learning for Molecular Crystal Structure Prediction
• Title（参考訳）: 分子結晶構造予測のための強化学習付きリーマン流モデル
• Abstract要約: 結晶構造は材料特性を支配しており、結晶構造予測は材料科学の基本的な問題となっている。 生成モデルはこの問題を解決するための有望なアプローチであるが、多型性の存在は、既存のモデルにおいて分子CSPタスクを困難にしている。 本稿では, 粒度の粗い階層表現を用いた分子結晶構造予測モデルである粗粒オープンマテリアル生成(CG-OMatG)を紹介する。 CG-OMatGは、生成分子結晶構造予測に強い性能を示し、ポリモルフィックスクリーニングと有機固体材料発見への道を開いた。
• 参考スコア（独自算出の注目度）: 6.023135900787139
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Crystal structure governs material properties, making crystal structure prediction (CSP) a fundamental problem in materials science. Generative models are a promising approach for solving this problem, but the prevalence of polymorphism, coupled with large unit cells and complex packing geometry, makes the molecular CSP task challenging for existing models. To address this, we introduce Coarse-Grained Open Materials Generation (CG-OMatG), an equivariant Riemannian flow-based generative model. CG-OMatG predicts molecular crystal structures \textit{via} a coarse-grained, hierarchical representation. CG-OMatG treats molecules as rigid bodies---performing both inter- and intra-molecular message passing to construct a geometric representation for molecular packings---and learns to reconstruct molecule centroid positions, orientations, and lattice parameters, conditioned on chemical species and conformer geometry. We train the model on subsets of the Open Molecular Crystals (OMC25) and Cambridge Structural Database (CSD) datasets. Further, we fine-tune the model \textit{via} policy gradient reinforcement learning to steer the model towards generating low-energy candidate structures. We validate the generated structures on the CSP blind test benchmark, assessing agreement with experimentally determined crystals using COMPACK packing-similarity analysis. CG-OMatG exhibits strong performance for generative molecular crystal structure prediction, paving the way for accelerated polymorph screening and organic solid-state materials discovery.
• Abstract（参考訳）: 結晶構造は材料特性を制御し、結晶構造予測(CSP)を材料科学の基本的な問題とする。 生成モデルはこの問題を解決するための有望なアプローチであるが、多型と大きな単位細胞と複雑なパッキング幾何学が組み合わさって、既存のモデルでは分子CSPタスクが困難である。 これを解決するために、同変リーマンフローベース生成モデルであるCarse-Grained Open Materials Generation (CG-OMatG)を導入する。 CG-OMatG は分子結晶構造 \textit{via} を粗い粒状で階層的な表現として予測する。 CG-OMatGは分子を剛体として扱い、分子間メッセージパッシングの幾何学的表現を構築するために分子間メッセージパッシングと分子間メッセージパッシングの両方を実行する。 我々は、オープン分子結晶(OMC25)とケンブリッジ構造データベース(CSD)データセットのサブセットに基づいてモデルをトレーニングする。 さらに、低エネルギーの候補構造を生成するためのモデルであるtextit{via}ポリシー勾配強化学習を微調整する。 我々はCSPブラインドテストベンチマークで生成した構造を検証し、CompACKパッキング類似性解析を用いて実験的に決定された結晶との一致を評価した。 CG-OMatGは、生成分子結晶構造予測に強い性能を示し、ポリモルフィックスクリーニングと有機固体材料発見への道を開いた。

関連論文リスト

• OrgFlow: Generative Modeling of Organic Crystal Structures from Molecular Graphs [4.5375644408112565]
  分子グラフから直接有機結晶構造を予測するためのフローマッチングモデルを提案する。 結合認識損失は、結合長さと接続性の分布を強制することによって、モデルが現実的な局所化学へ導かれる。 実験の結果,提案手法は既存のベースラインの10倍以上のマッチング率を達成することがわかった。
  論文  参考訳（メタデータ） (2026-02-22T04:01:06Z)
• MolCrystalFlow: Molecular Crystal Structure Prediction via Flow Matching [6.02313590078714]
  分子結晶構造予測のためのフローベース生成モデルである MolCrystalFlow を提案する。 この枠組みは分子を固形体として埋め込むことによって分子間充填から分子内複雑さを解き放つ。 我々は,大規模周期結晶の最先端生成モデルと規則に基づく構造生成法とを比較した。
  論文  参考訳（メタデータ） (2026-02-17T21:22:08Z)
• OXtal: An All-Atom Diffusion Model for Organic Crystal Structure Prediction [63.318434943975255]
  分子内コンフォーメーションと周期的パッキングの条件付き関節分布を学習する大規模100Mパラメータ全原子拡散モデルであるOXtalを導入する。 実験的に検証された600Kの結晶構造の大規模なデータセットを活用することで、OXtalは、以前のabinitio機械学習CSPメソッドよりも改善の順序を達成できる。 オキシタルは80%以上のパッキング類似率を獲得し、分子結晶化の熱力学的および運動論的規則性の両方をモデル化する能力を示している。
  論文  参考訳（メタデータ） (2025-12-07T20:46:30Z)
• Challenges in Non-Polymeric Crystal Structure Prediction: Why a Geometric, Permutation-Invariant Loss is Needed [16.986704284824363]
  分子集合問題に焦点をあて、同一の剛性分子のセット$mathcalS$を充填して結晶構造を形成する。 本稿では,鍵となる幾何学的特性を捉えた損失関数を導入する,より優れた定式化を提案する。 注目すべきは、このフレームワーク内では、単純な回帰モデルは、すでに以前のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2025-08-31T13:03:08Z)
• 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)
• Generative Hierarchical Materials Search [91.93125016916463]
  結晶構造の制御可能な生成のための生成階層材料探索(GenMS)を提案する。 GenMSは(1)高レベル自然言語を入力とし、結晶に関する中間テキスト情報を生成する言語モデルからなる。 GenMSはまた、生成された結晶構造から特性(たとえば生成エネルギー)を予測するためにグラフニューラルネットワークを使用する。
  論文  参考訳（メタデータ） (2024-09-10T17:51:28Z)
• 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)
• Latent Conservative Objective Models for Data-Driven Crystal Structure Prediction [62.36797874900395]
  計算化学において、結晶構造予測は最適化問題である。 この問題に対処する1つのアプローチは、密度汎関数理論(DFT)に基づいてシミュレータを構築し、続いてシミュレーションで探索を実行することである。 我々は,LCOM(最近の保守的客観モデル)と呼ばれる我々の手法が,構造予測の成功率の観点から,最も優れたアプローチと同等に機能することを示す。
  論文  参考訳（メタデータ） (2023-10-16T04:35:44Z)
• Data-Driven Score-Based Models for Generating Stable Structures with Adaptive Crystal Cells [1.515687944002438]
  本研究は, 化学安定性や化学組成など, 新しい結晶構造を創出することを目的としている。 提案手法の新規性は、結晶細胞の格子が固定されていないという事実にある。 対称性の制約を尊重し、計算上の優位性をもたらす多グラフ結晶表現が導入された。
  論文  参考訳（メタデータ） (2023-10-16T02:53:24Z)

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。