論文の概要: PXtal: Learning to Align Powder X-Ray Diffraction and Crystal Structures under Information Asymmetry across Modalities

• arxiv url: http://arxiv.org/abs/2610.10653v1
• Date: Wed, 07 Oct 2026 15:59:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.603884
• Title: PXtal: Learning to Align Powder X-Ray Diffraction and Crystal Structures under Information Asymmetry across Modalities
• Title（参考訳）: PXtal: モーダリティ間の情報非対称性下での粉末X線回折と結晶構造のアライメント学習
• Abstract要約: 粉末X線回折は、このミスマッチを明示する。 我々はPXRDと結晶表現を学習するためのフレームワークであるPXtalを紹介する。 PXtalは、PXRD-to-crystal candidate検索において、ベースラインモデルよりも一貫して優れている。
• 参考スコア（独自算出の注目度）: 40.03268051015713
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scientific multimodal learning commonly assumes that paired views are comparably informative. Powder X-ray diffraction (PXRD) makes this mismatch explicit: compressing a three-dimensional crystal structure into a one-dimensional diffraction pattern loses information and makes the pattern harder to connect to the crystal structure that produced it. We introduce PXtal, a framework for learning aligned PXRD and crystal representations under this physically imposed information asymmetry. PXtal uses Unbalanced Optimal Transport (UOT) to adapt the cross-modal coupling and coupling-level generalized Kullback-Leibler (GKL) divergence to supervise the full transport plan. Across six test sets, including four zero-shot transfer sets, PXtal consistently outperforms the baseline models in PXRD-to-crystal candidate retrieval, with the largest gains when PXRD patterns have close but crystallographically distinct nonpaired neighbors, meaning similar input patterns associated with different crystals. The resulting crystal and PXRD encoders transfer more effectively to downstream materials and crystallographic tasks. These results identify information asymmetry as a general design problem in scientific multimodal learning: alignment objectives should reflect what each modality preserves.
• Abstract（参考訳）: 科学的なマルチモーダル学習は、ペアビューが相容れないと仮定することが多い。 粉末X線回折(PXRD)は、3次元の結晶構造を1次元の回折パターンに圧縮することで情報を失い、それを生成した結晶構造に接続しにくくする。 PXtalは,PXRDと結晶表現をこの物理的に強制された情報非対称性の下で学習するフレームワークである。 PXtalは、不均衡最適輸送(Un Balanced Optimal Transport, UOT)を使用して、クロスモーダル結合とカップリングレベルの一般化されたクルバック・リブラー(英語版)(GKL)の分岐に適応し、完全な輸送計画の監督を行っている。 4つのゼロショット転送セットを含む6つのテストセットのうち、PXtalは、PXRD-to-Crystal candidate検索においてベースラインモデルよりも一貫して優れており、PXRDパターンが近接しているが結晶学的に異なる非対向近傍を持つ場合、これは異なる結晶に類似した入力パターンである。 得られた結晶およびPXRDエンコーダは、下流の材料や結晶学的なタスクにより効果的に転送される。 これらの結果は、情報非対称性を科学的多モーダル学習における一般的な設計問題として認識し、アライメント目的は各モーダルが保存するものを反映すべきである。

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)
• XRDiff: Crystal Structure Prediction from Powder X-Ray Diffraction Data Using Diffusion Models [8.082200701430061]
  生成モデリングは、原子構造よりも先行的な構造を提供し、PXRDパターンから結晶構造へのマッピングを学ぶことができる。 本稿では,PXRDから結晶構造を復元する拡散モデルであるXRDiffについて述べる。
  論文  参考訳（メタデータ） (2026-06-12T00:51:43Z)
• 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)
• Complete and Efficient Graph Transformers for Crystal Material Property Prediction [53.32754046881189]
  結晶構造は、3次元空間の正則格子に沿って繰り返される原始単位セル内の原子塩基によって特徴づけられる。 本稿では,各原子の格子に基づく表現を確立するために,単位細胞の周期パターンを利用する新しい手法を提案する。 結晶材料に特化して設計されたSE(3)トランスであるComFormerを提案する。
  論文  参考訳（メタデータ） (2024-03-18T15:06:37Z)
• End-to-End Crystal Structure Prediction from Powder X-Ray Diffraction [37.563382606039006]
  本研究では,PXRDを用いた結晶構造予測モデルであるXtalNetを紹介する。 XtalNetはPXRDを付加条件として利用し、曖昧さを排除し、単位細胞に最大400個の原子を持つ複雑な有機構造を生成する。 XtalNetは、条件付き結晶構造予測タスクにおいて、hMOF-100とhMOF-400において、90.2%と79%のトップ10マッチングレートを達成する。
  論文  参考訳（メタデータ） (2024-01-08T12:50:17Z)
• Crystal Structure Prediction by Joint Equivariant Diffusion [27.52168842448489]
  結晶構造予測(CSP)は様々な科学分野において重要である。 本稿では, 安定結晶から構造分布を学習する新しい拡散モデルであるDiffCSPを提案する。
  論文  参考訳（メタデータ） (2023-07-30T15:46:33Z)
• Tracking perovskite crystallization via deep learning-based feature detection on 2D X-ray scattering data [137.47124933818066]
  本稿では,より高速なR-CNN深層学習アーキテクチャに基づくX線回折画像の自動解析パイプラインを提案する。 有機-無機ペロブスカイト構造の結晶化をリアルタイムに追跡し, 2つの応用で検証した。
  論文  参考訳（メタデータ） (2022-02-22T15:39:00Z)
• Disentangling multiple scattering with deep learning: application to strain mapping from electron diffraction patterns [48.53244254413104]
  我々は、高非線形電子回折パターンを定量的構造因子画像に変換するために、FCU-Netと呼ばれるディープニューラルネットワークを実装した。 結晶構造の異なる組み合わせを含む20,000以上のユニークな動的回折パターンを用いてFCU-Netを訓練した。 シミュレーションされた回折パターンライブラリ、FCU-Netの実装、訓練されたモデルの重み付けは、オープンソースリポジトリで自由に利用可能です。
  論文  参考訳（メタデータ） (2022-02-01T03:53:39Z)

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。