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
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
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
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
在本文中，我们通过建立基于现有晶体结构数据库的晶体形成能量的代理模型，并对其参数进行优化的方法，提出了一种替代的数据驱动晶体结构预测方法。通过在晶体结构的非欧几里得空间中进行优化，我们展示了该方法在结构预测成功率方面与最佳现有方法相当，并大幅度减少了计算成本。
Oct, 2023
加速材料发现对缓解气候危机具有潜力。我们介绍了一种名为 Crystal-GFlowNet 的晶体结构生成模型，它能够灵活地加入物理和几何约束，并使用预测模型作为目标函数。通过在 MatBench 上训练的代理模型对结晶能进行预测，我们评估了 Crystal-GFlowNet 的能力，结果表明它能够生成结晶能较低的多样化晶体。
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
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
我们提出了一种名为 CrystalGAN 的新型 GAN，它能够生成具有升高域复杂度的新型化学稳定晶体结构，这种方法可以应用于发现新型化合物，特别是氢储存材料的研究中。
Oct, 2018