論文の概要: Framework-Conditional Open Materials Generation

• arxiv url: http://arxiv.org/abs/2610.40443v1
• Date: Thu, 29 Oct 2026 16:57:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.542864
• Title: Framework-Conditional Open Materials Generation
• Title（参考訳）: フレームワーク駆動型オープンマテリアル生成
• Abstract要約: 本稿では, 構造構造に制約された無機材料のデノボ予測のための新しい生成パラダイムを提案する。 我々は、3つのML原子間ポテンシャルを用いてLeMat-GenBenchスイートを用いてモデルの性能をベンチマークし、凸殻下における最先端のS.U.N.速度を達成する。
• 参考スコア（独自算出の注目度）: 1.1666234644810893
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Theoretical predictions of novel materials rely on a variety of techniques, from data-mining-based ion substitution methods to fully de novo generative models. Each approach imposes specific constraints and encounters unique challenges when extrapolating beyond the distribution of known materials to discover new ones. The foremost goal of materials generation is to produce stable, unique, and novel (S.U.N.) structures. Predicted structures that meet these criteria, however, typically result from novel chemical compositions mapped onto known structural prototypes or frameworks. We leverage this heuristic insight to present a new generative paradigm for the de novo prediction of inorganic crystalline materials constrained by their structural framework---i.e., the unit cell shapes and respective particle positions. Our method, termed OMatG-FC (Open Materials Framework-Conditional Generation), learns via a combination of discrete flow matching on the atomic species and stochastic interpolants for the volume scaling of the unit cell lattice, while fixing in-place the fractional coordinates and the unit-volume lattice vectors, dramatically reducing the dimensionality of the problem compared to unconstrained (framework-free) generation. Our method is more flexible than existing prototype-constrained methods, demonstrating capability for discovery of unseen, stable prototypes derived from known structural frameworks. We also investigate the number of unique frameworks in the MP-20 dataset, demonstrating the propensity of duplicate frameworks within the dataset and providing a framework-split version. We benchmark the performance of our model using the LeMat-GenBench suite using three ML interatomic potentials and achieve state-of-the-art S.U.N. rate below the convex hull, eschewing the need to learn atomic packings for materials discovery.
• Abstract（参考訳）: 新規物質の理論的予測は、データマイニングに基づくイオン置換法から完全デノボ生成モデルまで、様々な技術に依存している。 それぞれのアプローチは特定の制約を課し、既知の物質の分布を超えて新しい物質を発見する際に固有の課題に遭遇する。 材料生成の最大の目標は、安定でユニークで新しい構造(S.U.N.)を作ることである。 しかし、これらの基準を満たす予測された構造は通常、既知の構造体やフレームワークにマッピングされた新しい化学組成から生じる。 我々は, このヒューリスティックな知見を活用して, 構造構造に制約された無機結晶材料のデノボ予測, すなわち, 単位細胞形状と各粒子位置の新たな生成パラダイムを提案する。 OMatG-FC(Open Materials Framework-Conditional Generation, Open Materials Framework-Conditional Generation, Open Materials Framework-Conditional Generation, OMatG-FC)と呼ばれるこの手法は、原子種の離散フローマッチングと、単位セル格子の体積スケーリングのための確率補間を組み合わせて学習する。 提案手法は,既存のプロトタイプ制約手法よりも柔軟で,既知の構造フレームワークから派生した,目に見えない安定したプロトタイプの発見能力を示す。 また、MP-20データセットにおけるユニークなフレームワークの数を調べ、データセット内の重複フレームワークの妥当性を実証し、フレームワーク分割バージョンを提供する。 我々は3つのML原子間ポテンシャルを用いてLeMat-GenBenchスイートを用いてモデルの性能をベンチマークし、凸殻より下にある最先端のS.U.N.速度を達成し、材料発見のための原子パッキングを学ぶ必要性を喚起する。

関連論文リスト

• UniGenX: a unified generative foundation model that couples sequence, structure and function to accelerate scientific design across proteins, molecules and materials [62.72989417755985]
  自然系における関数の統一生成モデルUniGenXを提案する。 UniGenXはシンボルトークンと数値トークンの混合ストリームとして異種入力を表す。 ドメイン間のファンクション・アウェア・ジェネレーションに対して、最先端または競合的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-03-09T16:43:07Z)
• 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)
• Efficient Symmetry-Aware Materials Generation via Hierarchical Generative Flow Networks [52.13486402193811]
  新しい固体材料は、結晶構造の広大な空間を急速に探索し、安定した領域を探索する必要がある。 既存の手法では、大きな材料空間を探索し、望ましい特性と要求を持った多様なサンプルを生成するのに苦労している。 本研究では, 材料空間の対称性を効果的に活用し, 所望の特性を持つ結晶構造を生成するために, 階層的探索戦略を用いた新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-11-06T23:53:34Z)
• Structural Constraint Integration in Generative Model for Discovery of Quantum Material Candidates [27.416978540039878]
  遺伝子モデル(SCIGEN)における構造制約の統合について紹介する。 プロトタイプの制約としてアルキメデス格子を用いて800万の化合物を生成し, 10%以上の安定性が維持されている。 量子材料の性質は幾何学的パターンと密接に関連しているため、SCIGENは量子材料候補を生成するための一般的な枠組みを提供することを示す。
  論文  参考訳（メタデータ） (2024-07-05T14:42:54Z)
• Explaining Modern Gated-Linear RNNs via a Unified Implicit Attention Formulation [54.50526986788175]
  効率的なシーケンスモデリングの最近の進歩は、Mamba、RWKV、および様々なゲートRNNのような注意のないレイヤーを生み出している。 我々はこれらのモデルの統一的なビューを示し、暗黙の因果自己注意層のような層を定式化する。 筆者らのフレームワークは,異なるレイヤに対する類似の基盤となるメカニズムを比較検討し,説明可能性の手法を直接適用する手段を提供する。
  論文  参考訳（メタデータ） (2024-05-26T09:57:45Z)
• 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)

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。