arXiv cs.LGは11月12日(現地時間)、結晶生成モデルを推論時に適応させる新手法「Diffusion Tree Sampling (DTS)」に関する研究論文を発表した。この手法は、デノイズ軌道に対するモンテカルロ木探索手順を採用し、複数の相反する特性を持つ結晶構造の候補を効率的に生成することを目指す。既存モデルのファインチューニングや微分可能なガイダンスが抱える課題に対し、DTSはモデル自体を変更することなく出力の品質改善と多様性の向上を実現するとされる。
本研究は、Daniel T. Levy、Vineet Jain、Tara Akhound-Sadegh、Sékou-Oumar Kaba、Siamak Ravanbakhshの5人の著者によって共同で実施された。論文はNeurIPS 2026に採択され、arXiv cs.LGにて詳細が公開されている。
DTSは、特にAIを活用した科学研究アプリケーションに関連する二つの重要な技術的貢献を提供する。一つ目は、既存のプロパティ条件付き生成モデルを、ターゲット分布を歪めることなくDTS内の誘導型提案として効果的に活用する方法が示されている点である。これは、既に学習済みのモデルの能力を最大限に引き出しつつ、特定の目的に合わせて出力を調整できる可能性を示唆する。
二つ目の貢献は、DTSを多目的サンプリングに拡張し、一回の探索プロセスで複数の目的に沿った最適解の集合であるパレートフロンティア全体にわたるサンプルを効率的に生成可能にした点にある。これにより、研究者は複数のトレードオフを考慮しながら、多様な特性を持つ結晶構造を同時に探索・発見できる。
これらの推論時適応の有効性は、de novo結晶生成の複数の具体的なタスクで実証されている。報告された成果には、異なるモデルによって生成された結晶の安定性向上、事前学習済み条件付きモデルを活用した珍しい空間群に属する結晶や高体積弾性率の結晶の生成が含まれる。
さらに、高誘電率と高バンドギャップという相反する特性を両立させる材料のパレートフロンティアに沿った結晶生成においても、DTSベースの推論時適応が成功を収めている。これらの成果は、モデル自体に修正を加えることなく、DTSが結晶生成の出力品質と多様性を大幅に向上させる可能性を示している。
参考: arXiv cs.LG — 2026年11月16日 14:00 (JST)
原文ハイライト"Diffusion Tree Sampling for Inference Time Adaptation of Crystal Generative Models"