論文の概要: TCSP3.0: Template-Based Crystal Structure Prediction with Coefficient-Preserving Element Substitution and Structural Diversity
- arxiv url: http://arxiv.org/abs/2610.34029v1
- Date: Sun, 25 Oct 2026 03:34:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.520563
- Title: TCSP3.0: Template-Based Crystal Structure Prediction with Coefficient-Preserving Element Substitution and Structural Diversity
- Title（参考訳）: TCSP3.0: 係数保存素子置換と構造多様性を考慮したテンプレートベース結晶構造予測
- Abstract要約: 本稿では, 係数保存型マッピングを強制し, 解析された構造上で種を同時に置換するTCSP3.0を提案する。
周期的な数検索、ソフトな酸化状態の証拠、半径適合性スコア、構造的重複、ORB-v3機械学習の潜在的緩和、そしてその候補のエネルギーランキングが追加されている。
TCSP3.0はT180では72.2%、T180では90.6%、TSP2.0では28.3%、45.6%、新しい800ターゲットベンチマークでは74.0%である。
- 参考スコア（独自算出の注目度）: 10.32555231092362
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Template-based crystal structure prediction (CSP) transfers a known crystal structure to a new composition by element substitution, so its accuracy depends on retrieving suitable templates, mapping elements and ranking the resulting candidates correctly. Auditing the original TCSP2.0 implementation on the T180 benchmark, we found that 469 of its 2,347 selected structures (20%) have the wrong composition, caused by element mappings that ignore stoichiometric coefficients and by sequential text substitution that cascades or corrupts element symbols. We propose TCSP3.0, which enforces coefficient-preserving mappings, substitutes species simultaneously on parsed structures and validates every candidate's composition and cell. It further adds periodic-number retrieval, soft oxidation-state evidence, radius-compatibility scoring, structural deduplication, and ORB-v3 machine-learning-potential relaxation and energy ranking of its candidates, as used by deep generative CSP baselines. TCSP3.0 achieves Top-1 and Top-20 match rates of 72.2% and 90.6% on T180, compared with 28.3% and 45.6% for TCSP2.0, and a Top-20 match rate of 74.0% on a new 800-target benchmark (T800). On T180 it also outperforms PNcsp+ and deep generative models CrystalFlow and MaskGXT (Top-1 72.2% versus at most 63.9%). Even without relaxation, TCSP3.0 reaches 67.8% at Top-1 and 90.6% at Top-20 in a median of 28 s per target on two CPU cores, about ten times faster than CrystalFlow. Paired ten-arm ablations on T180 and T800 show that most of the improvement comes from the correctness fixes; structural deduplication significantly improves the Top-5 match rate, embedding-based retrieval is required for coverage, and the remaining scoring features have small or null effects.
- Abstract（参考訳）: テンプレートベースの結晶構造予測(CSP)は、既知の結晶構造を元素置換によって新しい組成に変換するので、その精度は適切なテンプレートを取得し、マッピング要素を取得し、その結果の候補を正しくランク付けすることに依存する。
T180ベンチマークにおけるTCSP2.0の当初の実装を調べたところ、2,347個の構造のうち469個(20%)は、確率係数を無視する要素マッピングと、カスケードや劣化する要素シンボルの逐次テキスト置換によって、間違った構成であることがわかった。
我々は, 係数保存マッピングを施行し, 解析された構造に種を同時に置換し, 全ての候補の組成と細胞を検証したTCSP3.0を提案する。
さらに、深く生成的なCSPベースラインで使用されるように、周期的な数検索、ソフトな酸化状態の証拠、半径適合性スコア、構造的重複、ORB-v3機械学習の潜在的緩和、およびその候補のエネルギーランキングが追加される。
TCSP3.0はT180で72.2%、Top-20で90.6%、TSP2.0で28.3%、45.6%、Top-20で74.0%となっている(T800)。
T180ではPNcsp+やCrystalFlowやMaskGXT(Top-1 72.2%、少なくとも63.9%)よりも優れていた。
緩和がなくてもTop-1では67.8%、Top-20では90.6%に達し、2つのCPUコアでは中央値28秒であり、CrystalFlowの約10倍高速である。
T180とT800の10腕の短縮は、ほとんどの改善は正当性修正によるものであり、構造上の重複はTop-5マッチング率を大幅に改善し、埋め込みベースの検索はカバレッジに必要であり、残りのスコアリング機能は小さいか、または無効な効果があることを示している。
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) - uFlowCSP: Crystal Structure Prediction using Mean flow generative models [1.853728141158659]
平均フローに基づくCSPモデルは、瞬時、確率フロー速度ではなく平均を学習する。
1から5つの評価で完全な構造を生成し、5x-58倍高速な推論を同等またはより優れたパフォーマンスで提供する。
論文 参考訳（メタデータ） (2026-09-09T06:51:42Z) - Context-Aware Distillation and Ablation for Text2DSL [78.29352305480285]
我々は、コンテクスト対応蒸留により、プロンプトのみの合成生成を置き換える。
教師の大きな言語モデルは、明示的に定義された構造化コンテキストの下で機能する。
これは、検証されたポルキットベンチコーパスを4,204対から10,073対にスケールする。
論文 参考訳（メタデータ） (2026-06-21T16:27:24Z) - The Cognitive Categorical Transformer: Category-Theoretic Inductive Biases for Language Modeling [0.0]
Cognitive Categorical Transformer (CCT)は、事前訓練されたGPT-2のバックボーンを、カテゴリー理論と認知科学から派生したコンポーネントで強化する。
一致したプロトコルの下では、CCTは21.27の検証難易度に達し、同じ細調整のGPT-2のベースラインでは24.19である。
7相のアクティベーションスケジュール全体でバイパスされたGT-Fullのsimplicialメッセージパスを保持するリトレインからスクラッチのアブレーションは23.72 PPLに達する。
simplicial message passが306で言語モデルパープレキシティを向上させる最初のアブレーション検証証拠を提示する。
論文 参考訳（メタデータ） (2026-05-22T00:56:20Z) - Models Can Model, But Can't Bind: Structured Grounding in Text-to-Optimization [54.749573452394664]
定式化自体が単純である場合でも、インスタンスデータが大きくなるにつれて精度が低下する。
我々は, 数値データを構造化ファイルに外部化する単純な推論時アプローチであるBINDを用いて, モデルがプロンプトプロンプトからではなく, データをバインドする。
我々は,モデルのみをバインディングのみに微調整することで仮説を検証し,3つの構造的に異なる最適化カテゴリにおいて,エンドツーエンドのSFTおよびRLよりも優れていることを示す。
論文 参考訳（メタデータ） (2026-05-20T21:25:41Z) - Why Agent Caching Fails and How to Fix It: Structured Intent Canonicalization with Few-Shot Learning [0.0]
キャッシュの有効性は、分類精度ではなく、キーの一貫性と精度を必要とする。
構造化意図分解フレームワークであるW5H2を紹介する。
NyayaBench v2 (20クラス)では、SetFitは55.3%を達成し、30言語にまたがる言語間転送を実現している。
論文 参考訳（メタデータ） (2026-02-21T18:25:18Z) - AICC: Parse HTML Finer, Make Models Better -- A 7.3T AI-Ready Corpus Built by a Model-Based HTML Parser [54.623900859999424]
我々は、コンテンツ抽出をシーケンスラベリング問題として再構成する新しい抽出パイプラインであるMinerU-HTMLを紹介する。
MainWebBenchでは、7,887の注釈付きWebページ、MinerU-HTML 81.8%のROUGE-N F1をTrfilaturaの63.6%と比較した。
論文 参考訳（メタデータ） (2025-11-20T14:15:23Z) - Constraint Satisfaction Approaches to Wordle: Novel Heuristics and Cross-Lexicon Validation [0.0]
本稿では, CSP 対応エントロピー, 制約伝搬後の情報ゲイン, 確率的 CSP フレームワークを紹介する。
2,315語の単語を評価することで、CSP-Aware Entropy 3.54の平均推定は99.9%の成功率である。
500のスペイン語の単語に対するクロスレキシコンの検証は、言語固有のチューニングをゼロにすることで88%の成功を示している。
論文 参考訳（メタデータ） (2025-10-03T09:44:14Z) - CrystalDiT: A Diffusion Transformer for Crystal Generation [52.45780803467369]
本稿では,結晶構造生成のための拡散変圧器であるCrystalDiTについて述べる。
CrystalDiTは、格子と原子特性を単一の相互依存系として扱う、強力な誘導バイアスを課す統一トランスフォーマーを使用している。
論文 参考訳（メタデータ） (2025-08-13T12:53:32Z) - ECLIPSE: A Resource-Efficient Text-to-Image Prior for Image Generations [67.25974711647481]
テキスト・トゥ・イメージ(T2I)拡散モデル(特にunCLIPモデル)は、様々なT2Iベンチマークで最先端(SOTA)性能を達成する。
本稿では,パラメータとデータ効率を両立する新しいコントラスト学習手法であるECLIPSEを紹介する。
ECLIPSEの事前トレーニングは、パラメータの3.3%に過ぎず、わずか2.8%のデータに基づいてトレーニングされ、平均71.6%の選好スコアでベースラインのT2Iを上回ります。
論文 参考訳（メタデータ） (2023-12-07T19:32:39Z)
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。