使用机器学习生成模型生成具有所需性质（如化学稳定性和指定化学组成）的新晶体结构，并展示其在不同化学体系和晶体群中生成新候选结构的功能。

Oct, 2023

本研究提出了一个基于 UniMat 的晶体结构生成方法，通过训练扩散概率模型，能够高度还原大规模和复杂化学系统的晶体结构，并且在评估指标上胜过之前基于图结构的方法，同时提出了针对材料的新评估指标，并展示了条件生成在大规模晶体数据集上的可扩展性，优于结构发现的当前方法。

Oct, 2023

我们提出一种基于几何等变的 GNN 的概率扩散模型，可以同时考虑原子位置和晶格，以发现具有特定化学性质的晶体结构，并通过新的生成度量方法评估模型的有效性。

Dec, 2023

通过训练生成模型来加快科学发现并推动各个科学领域的重大进展，尤其是发现具备良好性能的新型无机材料是一项关键挑战，不同于文本或图像数据，材料，特别是晶体结构，由多种类型的变量组成，包括晶格矢量、原子位置和原子种类，本研究探索一种基于 Transformer 架构的新型扩散模型，用于生成具有所需性质的晶体结构，并证明我们的模型在多样性方面优于先前方法，而我们的实证结果表明，最佳条件方法因数据集而异。

Jun, 2024

本文提出并应用了一种基于生成对抗网络的晶体结构生成模型，经过高通量虚拟筛选，成功预测出 23 个具有良好光稳定性和能隙的新型结晶体结构，并在化学空间中发现了未知的化学结构。

Apr, 2020

通过引入新的扩散式生成过程和适配器模块，本研究提出了 MatterGen 模型，用于生成各类稳定多样的无机材料，并可以通过微调以满足广泛的性质限制。该模型生成的结构物相较于先前的生成模型是新奇且稳定的，同时与局部能量最小值相比接近 15 倍。经过微调后，MatterGen 成功地生成了具有所需化学、对称性、机械、电子和磁性性质的稳定新材料。本研究还展示了多性质材料设计能力，提出了具有高磁密度和低供应链风险的结构物。我们相信生成材料的质量和 MatterGen 的广泛能力代表了材料设计通用生成模型的重大进展。

Dec, 2023

本研究用深度学习的生成对抗网络方法，提出了 CubicGAN 模型以大规模生成新的立方晶体结构，在 375,749 个三元晶体材料的训练数据下发现 506 种新材料，通过 DFT 验证后发现有远超同类材料的功能特性，这一方法将极大的拓展现有的材料库，实现新型功能材料的快速筛选。

Feb, 2021

基于晶格方式建立晶体原子的晶格表示来有效地捕捉晶体的完整几何信息并处理手性晶体是一个挑战，本文提出了 ComFormer，一个专门针对晶体材料设计的 SE (3) 变压器，其包括 iComFormer 和 eComFormer 两个变体，并在三个广泛使用的晶体基准上展示出了 ComFormer 变体的最新预测准确性。

Mar, 2024

用点云表示的结构信息作为基础，我们提出了一种合成材料的框架来有效生成能量稳定的晶体结构，通过生成全新的材料来推动材料设计和合成的发展，而不是传统的替代或基于经验的发现。

Jan, 2024

我们提出了 SyMat，一种能够捕捉周期性材料结构物理对称性的新型材料生成方法，其通过生成原子类型集，晶格长度和晶格角度的变分自动编码器模型来生成材料的原子类型和晶格，同时，SyMat 采用基于打分的扩散模型来生成材料的原子坐标，在坐标扩散过程中使用了一种新颖的对称感知概率模型。我们证明 SyMat 在材料的所有对称变换下都是理论不变的，并证明 SyMat 在随机生成和性能优化任务上取得了令人满意的表现。

Jul, 2023