扩散模型在纳米晶粉末衍射数据的从头结构解析中表现出潜力

Jun, 2024

扩散模型在纳米晶粉末衍射数据的从头结构解析中表现出潜力

Diffusion Models Are Promising for Ab Initio Structure Solutions from Nanocrystalline Powder Diffraction Data

Gabe Guo, Tristan Saidi, Maxwell Terban, Simon JL Billinge, Hod Lipson

TL;DR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。

Abstract

A major challenge in materials science is the determination of the structure of nanometer sized objects. Here we present a novel approach that uses a generative machine learning model based on a →

nanometer sized objects generative machine learning model diffusion model structural solutions nano-materials

发现论文，激发创造

基于 X 射线粉末衍射的端到端晶体结构预测

通过对 PXRD 模式进行匹配和生成，XtalNet 是一种基于深度学习的全流程框架，能够准确匹配给定 PXRD 模式的晶体结构。

Jan, 2024

借助扩散模型的光谱引导下对无序材料的三维结构发现

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

矢量场导向的晶体材料生成扩散模型

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

利用生成式深度学习从信息受损的衍射数据实现端到端结构解决方案

介绍了一种新颖的机器学习方法，使用多分支深度神经网络和计算的粉末 X 射线衍射，结合部分化学组成信息，实现对结构的成功求解。

Dec, 2023

研究扩散模型对加速电子结构计算的行为

通过对扩散模型进行调查，我们希望能更好地理解它们的预测与基于物理计算的结果之间的比较，以利用机器学习来显著加速电子结构计算，而无需昂贵的原理数据集进行训练。我们发现一种流行的扩散模型用于全新分子生成的推理过程可以分为探索阶段和弛豫阶段，其中模型选择原子种类的同时调整原子坐标以找到低能几何形状。随着训练的进行，我们发现该模型最初学习的是位能曲面的一阶结构，然后逐渐学习高阶结构。我们还发现扩散模型的弛豫阶段可以用于对构象进行玻尔兹曼分布采样，并进行结构弛豫。对于结构弛豫，该模型对小型有机分子的能量较经典力场产生的结构低约 10 倍。在密度泛函理论 (DFT) 弛豫中，从扩散生成的结构开始与从经典力场弛豫的结构开始相比，可以使 DFT 弛豫速度提高超过 2 倍。

Nov, 2023

基于点云表示和扩散模型的晶体结构生成设计

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

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

利用数据增强和深度神经网络快速且易于解释地对小型 X 射线衍射数据集进行分类

本研究针对开发新薄膜材料中最耗时的 X 射线衍射数据收集和分析提出了机器学习模型，该模型可以从有限数量的薄膜 XRD 模式中预测结晶维度和空间群，并使用模型无关的物理驱动数据扩充策略来克服材料开发中固有的稀缺数据问题，经过测试，该模型具有 93% 和 89% 的维数和空间群分类交叉验证精度。

Nov, 2018

晶体结构的生成逆设计：基于转换器的扩散模型

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

基于数据驱动的评分模型生成具有自适应晶胞的稳定结构

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