Jul, 2023

朝向对称感知的周期材料生成

PDF
TL;DR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。
periodic materialsdeep modelssymatsymmetry-awarematerial generation
发现论文，激发创造
  • 晶体材料生成的统一模型

    本论文提出了两个使用周期等变建筑同时作用于晶体晶格和原子位置的统一模型，具有学习任意晶体晶格变形并将总能量降至热力学稳定性的能力。

    Jun, 2023

  • 大规模扩散材料生成

    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

  • 周期性物质生成的晶体扩散变分自编码器

    本文介绍了一种基于材料稳定性物理感应偏差的晶体扩散变分自编码器，通过学习稳定材料的数据分布，生成具有物理约束的材料周期结构，其在重构输入结构，生成有效、多样、真实材料以及生成优化特定特性的材料方面胜过现有方法，并提供了标准数据集和评估指标。

    Oct, 2021

  • MatterGen: 一种用于无机材料设计的生成模型

    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

  • 用于有针对性分子发现的对称适应的 3D 点集生成

    利用深度学习的生成模型对分子和材料进行快速的预测，同时引入了一种能够识别非键合作用和立体异构体，并且能够偏向于小 HOMO-LUMO 间隙分子生成的生成式神经网络。

    Jun, 2019

  • 材料科学优化晶体学图形生成

    本研究提出了一种有效的工具，通过 GPU 优化，生成具有周期性结构的截断图和 k 近邻图，并提供了一个 Pytorch 兼容的框架，能够实时进行神经网络结构的培训。

    Jun, 2023

  • FlowMM: 利用黎曼流匹配生成材料

    FlowMM 是一对生成模型，在预测已知成分的稳定晶体结构和提出新的成分与其稳定结构方面表现出最先进的性能，比竞争方法更高效、更灵活。文章使用 FlowMM 验证其生成的结构，并通过量子化学计算证明其在寻找稳定材料方面比先前的开放方法更高效。

    Jun, 2024

  • 晶体材料性质预测的周期性图转换器

    本研究在周期性图上考虑了表示学习问题以编码晶体材料。针对周期性图的独特挑战，我们提出了一种名为 Matformer 的转换器体系结构，用于周期性图的表示学习，它具有周期性不变性和显式重复模式编码的特点。我们的实验结果表明，相对于基线方法，Matformer 在多个公共基准数据集上始终表现更好。此外，我们的结果还表明了周期性不变性和显式重复模式编码对于晶体表示学习的重要性。

    Sep, 2022

  • 基于数据驱动的评分模型生成具有自适应晶胞的稳定结构

    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

  • 基于深度学习的晶体结构洞见性分类

    本研究提出了一种基于机器学习的方法，通过计算衍射图像并构建神经网络模型进行分类，可正确识别包括有缺陷的结构在内的超过 100,000 个模拟晶体结构的晶体对称性，为材料科学中的三维结构数据的晶体结构识别铺平了道路。

    Sep, 2017