大规模扩散材料生成
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
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
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
通过对大型语言模型进行微调以稳定材料生成,实验证明微调后的模型相对于竞争性扩散模型能以约两倍的速度(49% 对比 28%)产生预测为亚稳态的材料,同时具备生成稳定材料、填补部分结构和根据文本条件生成的能力。此外,研究表明,语言模型捕捉晶体结构的关键对称性能力随模型规模的增大而改善,表明预训练语言模型的偏见适用于原子尺度的数据。
Feb, 2024
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
使用物理引导的晶体生成模型(PGCGM)来作为逆向设计过程的一部分,评估生成式机器学习模型如何利用科学建模生成的数据来创造大量的新材料结构。研究发现,PGCGM 的输入空间对参数变化并不平滑,导致了材料优化的困难和局限性;同时,通过一个独立的属性预测模型表明,大部分生成的结构在热力学上是不稳定的,部分原因是由于领域外数据挑战。研究结果为改进生成模型以实现更好的逆向设计提供了建议。
Aug, 2023
利用基于扩散模型的生成式机器学习模型,我们能够成功解决模拟的小至 10 安培、包含来自七个晶体系统的各种对称性和复杂性的 200 种材料的纳米晶体结构,并且能够处理真实实验中噪声扩散模式收集的结构解决方案,这表明数据驱动的方法将提供解决以前未解决的纳米材料结构的途径。
Jun, 2024
MatFuse 是一种基于扩散模型的新型统一方法,用于简化计算机图形学中高质量逼真材料的创建,通过集成多种条件来源实现细粒度控制和材料合成的灵活性,该方法展示出与最先进方法相当的性能,同时丰富了创作可能性。
Aug, 2023
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