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

本文提出了一种使用多模态变压器的模型，通过整合晶体结构和能量获得的异质信息来预测态密度，并在不同的真实应用场景下展示了DOSTransformer的优越性能。

Mar, 2023

提出了一种针对晶体结构学习具有自我监督的预训练框架，通过互斥掩码策略和周期不变多图模块来解决晶体结构学习中标签不足和周期不变问题，并在8个不同的任务上进行了测试，结果表明该框架具有良好的预测性能。

Jun, 2023

开发出一个名为TextEdge的基准数据集，包含了关于晶体结构及其性质的文本描述，并提出了一种名为LLM-Prop的方法，利用大型语言模型（LLMs）的通用学习能力，从晶体的文本描述中预测其物理和电子性质，并在预测带隙、分类带隙是否为直接或间接和预测晶胞体积方面的性能优于现有最先进的基于GNN的晶体性质预测模型。

Oct, 2023

材料科学中的人工智能通过提高性能预测和加速新材料的发现，革命了这一领域。通过多模态对齐在共享潜在空间中连接高维材料性质，我们介绍了多模态学习结晶材料（MLCM）的基础模型训练新方法，展示了MLCM在多个方面的实用性，并在材料科学领域中引入了人工智能革命的创新。

Nov, 2023

从晶体结构预测材料的物理性质是材料科学中的一个基本问题。本文介绍了一种无限连接的注意力网络，可以在一个深度学习的特征空间中执行无限的原子间势能求和，并提出了一种名为Crystalformer的基于Transformer的编码器架构，它只需要原有Transformer架构的29.4%参数，但在不同的性质回归任务中都表现出比现有方法更好的结果。

Mar, 2024

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

CrystalFormer是一种基于Transformer的自回归模型，专门用于由空间群控制的晶体材料生成，其利用空间群对晶体空间进行了显著简化，通过直接预测单元胞中对称不等价原子的种类和位置来生成晶体，实验结果显示CrystalFormer在生成晶体材料的有效性、新颖性和稳定性方面与最先进的性能相匹配，并且可以从数据中准确地提取出合理的固态化学信息用于生成建模，它的简单性、通用性和灵活性使其成为整个晶体材料空间的基础模型，开启了材料建模和发现的新时代。

Mar, 2024

本研究介绍了一种基于Transformer的适应性框架CrystalBERT，该框架整合了空间群、元素和晶胞信息，能够准确预测各种物理重要性质，包括拓扑性质和超导过渡温度等，同时提供具有洞察力的对目标物性影响最显著的特征的物理解释。通过结合各种特征，模型在拓扑分类中实现了91%的高准确率，超过以往研究，并识别了先前被错误分类的拓扑材料，进一步证明了我们模型的有效性。

May, 2024

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