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

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

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

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

本文提出了一个概率模型，将点云看作是处于非平衡热力学系统内的粒子，并通过扩散过程学习将噪声分布转换为所需形状分布的逆扩散过程，即点云生成过程。具体地，将点云的逆扩散过程建模为一个以某个形状因子为条件的马尔科夫链，并提供了闭合形式的变分下界以进行训练。实验结果显示，该模型在点云生成和自编码方面具有竞争性能。

Mar, 2021

DiffCSP 是一种新颖的扩散模型，它通过使用周期性 E (3)- 等变去噪模型联合生成晶体的晶格和原子坐标，以更好地建模晶体几何结构，并在计算成本更低的情况下显著优于现有的结晶结构预测方法，包括从头开始的晶体生成。

Jul, 2023

通过扩散模型，我们提出了一个基于生成式机器学习的新框架，用于从目标性质预测无序材料的三维结构。我们应用该模型来识别非晶碳的原子结构，通过 XANES 光谱引导条件生成，并展示了其生成大规模结构的能力。这一工作极大地弥合了材料表征和原子结构确定之间的差距，并可用于探索各种材料性质的材料发现。

Dec, 2023

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

在电影、游戏、工程以及增强 / 虚拟现实等多种实际应用中，可控地生成 3D 资产具有重要意义。最近，扩散模型在生成 3D 对象的质量方面取得了显著的成果。然而，现有模型中没有一个能够实现对形状和外观的分离生成。我们首次提出了一种适用于 3D 扩散模型的合适表示方法，通过引入混合的点云和神经辐射场方法实现了这种分离，模拟了点位置的扩散过程，并结合高维特征空间的局部密度和亮度解码器。点位置表示对象的粗略形状，而点特征则允许对几何形状和外观细节进行建模。这种分离使得我们能够独立地对二者进行采样和控制。与之前的分离能力方法相比，我们的方法在生成方面达到了新的技术水平，降低了 30-90% 的 FID 分数，并且与其他非分离能力的最先进方法处于同一水平。

Dec, 2023