目標特性を持つアモルファス材料の逆設計

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:A new inverse design method for amorphous materials using diffusion models, with potential for energy storage and catalysis applications.

無秩序（アモルファス）材料、例えばガラスは、エネルギー貯蔵、非線形光学、および触媒における応用の有望な候補として浮上している。それらの長距離秩序の欠如と、組成ならびに熱的・圧力的履歴に依存する複雑な短距離および中距離秩序は、広大な材料設計空間を提供する。この目的のために、試行錯誤に頼るのではなく機械学習手法に依存することが有望であり、その中でも逆設計は、所望の特性を持つ材料を生成するためのツールとして登場している。拡散モデルに基づく逆設計手法は結晶性材料や分子に対して成功を示しているが、アモルファス材料を対象とした同様の手法は、大規模データセットの入手可能性が限られていることと、より大きなシミュレーションセルが必要であることにより、未だ発展が遅れている。本研究では、アモルファス材料のための逆設計手法を提案し検証する。AMDEN（Amorphous Material DEnoising Network）を導入する。これは、アモルファス材料の構造を生成する拡散モデルベースのフレームワークである。まず、拡散モデルが緩和構造を生成する際の固有の課題を実証する。これらの低エネルギー配置は、通常、標準的なノイズ除去手順では再現できない熱運動駆動のランダム探索的プロセスを通じて得られる。そこで我々は、これらの緩和構造を生成するためのハミルトニアン・モンテカルロ改良を実装した、エネルギー基準のAMDEN変種を導入する。さらに、多様な特性と組成を持ついくつかのアモルファス材料データセットを導入し、我々のフレームワークを評価し、将来の開発を支援する。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Disordered (amorphous) materials, such as glasses, are emerging as promising candidates for applications within energy storage, nonlinear optics, and catalysis. Their lack of long-range order and complex short- and medium-range order, which depend on composition as well as thermal and pressure history, offer a vast materials design space. To this end, relying on machine learning methods instead of trial and error is promising, and among these, inverse design has emerged as a tool for generating materials with desired properties. Although inverse design methods based on diffusion models have shown success for crystalline materials and molecules, similar methods targeting amorphous materials remain less developed, mainly because of the limited availability of large-scale datasets and the requirement for larger simulation cells. In this work, we propose and validate an inverse design method for amorphous materials, introducing AMDEN (Amorphous Material DEnoising Network), a diffusion model-based framework that generates structures of amorphous materials. First, we demonstrate the inherent challenges for diffusion models to generate relaxed structures. These low-energy configurations are typically obtained through a thermal motion-driven random search-like process that cannot be replicated by standard denoising procedures. We therefore introduce an energy-based AMDEN variant that implements Hamiltonian Monte Carlo refinement for generating these relaxed structures. We further introduce several amorphous material datasets with diverse properties and compositions to evaluate our framework and support future development.

• openalex https://doi.org/10.1002/adma.202522493first seen 2026-06-12 04:55:35 · last seen 2026-06-17 07:08:30