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

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

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

本文提出了一种基于扩散概率理论的新型超材料反设计方法，该方法可以逐步从高斯分布中去除噪声并生成满足 S 参数条件的新型高自由度元电池，并且证明实验表明该方法在模型收敛速度、生成精度和质量方面优于 GAN 的代表性方法。

Apr, 2023

采用概率生成方法，在潜在空间中对设计元激元和光学反应进行压缩，以解决由物理结构到光学响应之间难以捉摸的关系带来的逆向设计问题。该模型可在训练期间利用有标签和无标签数据优化生成逆向设计和确定性正向预测。这种基于数据的模型可以成为在干涉材料和光子学研究领域中加速设计、表征和新发现的全面有效的工具。

Jan, 2019

该研究论文介绍了一种新的机器学习框架，用于从现有的材料数据中提取预测模型，方法是使用具有化学多样性的属性列表，并将数据集分成相似材料组，提高预测准确度，可用于预测晶态和非晶材料的多种属性。

Jun, 2016

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

该研究提出了一种集成多尺度特性和生成对抗网络的创新生成模型，用于重建三维微结构，提高模型的准确性，并通过结合图像正则化损失和 Wasserstein 距离损失进一步改进模型，实现了生成的三维结构与真实样本的高相似性和统计数据一致性。

Feb, 2024

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