Transformer-Enhanced Variational Autoencoder for Crystal Structure Prediction

要約

結晶構造は、材料の物理的および化学的特性を理解するための基礎を形成します。
生成モデルは、結晶構造予測（CSP）の新しいパラダイムとして浮上していますが、周期性や対称性などの結晶構造の重要な特性を正確にキャプチャすることは、依然として重要な課題です。
このホワイトペーパーでは、結晶構造予測（Transvae-CSP）のためのトランス強化変動自動エンコーダーを提案します。これらは、安定した材料の特徴的な分布空間を学習し、結晶構造の再構築と生成の両方を可能にします。
Transvae-CSPは、適応距離の膨張を既に既に表現と統合して、結晶構造の周期性と対称性を効果的にキャプチャし、エンコーダーは等縁降ろ子製品注意メカニズムに基づいたトランスネットワークです。
Carbon_24、Perov_5、およびMP_20データセットの実験結果は、Transvae-CSPがさまざまなモデリングメトリックの下で構造の再構築および生成タスクの既存の方法を上回り、結晶構造の設計と最適化のための強力なツールを提供することを示しています。

要約(オリジナル)

Crystal structure forms the foundation for understanding the physical and chemical properties of materials. Generative models have emerged as a new paradigm in crystal structure prediction(CSP), however, accurately capturing key characteristics of crystal structures, such as periodicity and symmetry, remains a significant challenge. In this paper, we propose a Transformer-Enhanced Variational Autoencoder for Crystal Structure Prediction (TransVAE-CSP), who learns the characteristic distribution space of stable materials, enabling both the reconstruction and generation of crystal structures. TransVAE-CSP integrates adaptive distance expansion with irreducible representation to effectively capture the periodicity and symmetry of crystal structures, and the encoder is a transformer network based on an equivariant dot product attention mechanism. Experimental results on the carbon_24, perov_5, and mp_20 datasets demonstrate that TransVAE-CSP outperforms existing methods in structure reconstruction and generation tasks under various modeling metrics, offering a powerful tool for crystal structure design and optimization.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google