כתבה
arXiv cs.AI ·
uFlowCSP: חיזוי מבנה גבישי באמצעות מודלים יצרניים
uFlowCSP: Crystal Structure Prediction using Mean flow generative models
uFlowCSP הוא מודל יצרני לחיזוי מבנה גבישי. הוא משתמש ב- MeanFlow כדי ללמוד את מהירות הזרימה הממוצעת. uFlowCSP מייצר מבנה שלם ב-1-5 הערכות, ומגיע לביצועים טובים יותר מ- CrystalFlow ו- DiffCSP.
תקציר מקורי באנגליתarXiv:2609.09799v1 Announce Type: cross Abstract: Crystal structure prediction (CSP) is fundamental to computational materials discovery. Generative models including CDVAE, DiffCSP, FlowMM, and CrystalFlow learn stable-crystal distributions directly, but diffusion and flow-matching inference requires tens to thousands of sequential network evaluations per candidate. We introduce uFlowCSP, a MeanFlow-based CSP model that learns the average, rather than instantaneous, probability-flow velocity. It generates a complete structure in one to five evaluations, delivering 5x-58x faster inference with equal or better performance. A chemistry- and symmetry-aware Transformer uses canonical atom ordering, global composition, and per-token chemistry embeddings. A coarse crystal-system token is used onl
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית