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

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

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

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

本研究在周期性图上考虑了表示学习问题以编码晶体材料。针对周期性图的独特挑战，我们提出了一种名为 Matformer 的转换器体系结构，用于周期性图的表示学习，它具有周期性不变性和显式重复模式编码的特点。我们的实验结果表明，相对于基线方法，Matformer 在多个公共基准数据集上始终表现更好。此外，我们的结果还表明了周期性不变性和显式重复模式编码对于晶体表示学习的重要性。

Sep, 2022

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

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

我们提出了一种通用材料张量网络 (GMTNet) 方法，针对结晶张量的特性进行预测，旨在满足 O (3) 群的张量等变性和晶体空间群的不变性。我们通过构建数据集和评估指标，验证了 GMTNet 方法在各种不同阶数的晶体张量上的良好性能，并成功生成与晶体内部对称性一致的预测结果。

Jun, 2024

利用大型语言模型进行材料属性预测，通过引入模型 MatInFormer，在加工空间群信息的关键词化过程中学习晶体学语法，并通过任务特定数据进一步展示 MatInFormer 的适应性。通过注意力可视化，我们揭示了模型在属性预测过程中重点关注的特征，并在 14 个不同数据集中验证了我们提出模型的有效性，从而强调其在通过准确的材料属性预测进行高通量筛选方面的潜力。

Aug, 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