May, 2024

生成材料和分子的响应匹配

PDF
TL;DR最近，机器学习已经成为生成新的分子和材料结构的强大工具。我们提出了一种新颖的生成方法，称为响应匹配（RM），它利用了每个稳定材料或分子存在于其势能面最低点的事实。通过结合机器学习的原子间相互作用势能和随机结构搜索作为去噪模型，RM 利用了原子间相互作用的局部性，并固有地保持了置换、平移、旋转和周期性不变性。RM 是第一个在相同框架下处理分子和块材料的模型。我们在三个系统上展示了 RM 的效率和泛化能力：一个小有机分子数据集，来自材料项目的稳定晶体，以及对单个金刚石构型的一次性学习。
machine learninggenerative methodresponse matchingmolecular structuresmaterial structures
发现论文，激发创造
  • FlowMM: 利用黎曼流匹配生成材料

    FlowMM 是一对生成模型，在预测已知成分的稳定晶体结构和提出新的成分与其稳定结构方面表现出最先进的性能，比竞争方法更高效、更灵活。文章使用 FlowMM 验证其生成的结构，并通过量子化学计算证明其在寻找稳定材料方面比先前的开放方法更高效。

    Jun, 2024

  • 机器学习统一材料和分子建模

    本研究基于局部化学环境和贝叶斯统计学习的机器学习模型，提供了一个统一的框架，可以预测原子尺度的稳定性和不同类别的分子的化学精度，可以区分活性和非活性的蛋白质配体，这种方法可以对材料和分子的势能面提供新的洞察。

    Jun, 2017

  • 跨结构空间和金属空间比较分子和固体

    本研究介绍了一种使用机器学习技术探索复杂材料配置空间必不可少的结构相似度度量方法 ——SOAP，以及如何使用 REMatch 方法将这些局部描述符相结合，并在小有机分子数据库中达到一个平均绝对误差小于 1 kcal/mol 的预测效果的重要里程碑。

    Dec, 2015

  • 分子性质的机器学习：局部性和主动学习

    本篇论文提出了一种基于局部相互作用模型和主动学习算法的新型机器学习算法，可以在较小的训练集上提供高精度预测，并显著减少异常值误差，从而为材料设计和药物发现等领域提供更有效的高通量筛选方法。

    Sep, 2017

  • 大规模扩散材料生成

    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

  • 可解释的集成学习在材料性质预测中的应用：以碳为例

    我们提出了一种基于集成学习的方法，用于预测晶体材料的形成能量和弹性常数，通过分子动力学计算的物性作为输入，集成学习结果比传统的原子势能方法更准确。

    Jul, 2023

  • 基于相似度核的零射新型分子生成

    通过分析得分模型，本研究发现生成分子过程中的得分模型在起始时类似恢复势能，在最后则类似量子力学力，两者之间表现出特殊性质以便生成较大的分子。基于训练出的模型，本研究提出了一种新的零样本分子生成方法 —— 基于相似性的分子生成（SiMGen），该方法结合了时间相关的相似性核和预训练的机器学习力场描述符，能够实现不进行进一步训练的分子生成，并通过点云先验实现对分子形状的完全控制，并支持条件生成。研究者还发布了一个交互式网络工具，使用户能够在线使用 SiMGen 生成结构。

    Feb, 2024

  • 精细调优的语言模型生成稳定的无机材料文本

    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

  • 用于有针对性分子发现的对称适应的 3D 点集生成

    利用深度学习的生成模型对分子和材料进行快速的预测，同时引入了一种能够识别非键合作用和立体异构体，并且能够偏向于小 HOMO-LUMO 间隙分子生成的生成式神经网络。

    Jun, 2019

  • 基于条件残差能量模型的分子合成偏好优化

    通过条件残差能量模型，提出了一种通用的、以质量为导向的分子合成路线生成框架，该框架可以增强各种策略生成的最可能合成路线的质量并在性能上优于先前的最先进方法 2.5%。

    Jun, 2024