用于周期性材料生成的晶体扩散变分自编码器
机器学习
2022-03-15 v3 材料科学
计算物理
摘要
生成稳定材料的周期性结构是材料设计领域长期存在的挑战。该任务困难在于稳定材料仅存在于所有可能原子周期性排列的低维子空间中：1）坐标必须位于量子力学定义的局域能量极小处，且 2）全局稳定性还要求结构遵循不同原子类型之间复杂而特定的成键偏好。现有方法未能纳入这些因素且常缺乏适当的不变性。我们提出一种晶体扩散变分自编码器（CDVAE），其捕获材料稳定性的物理归纳偏置。通过从稳定材料的数据分布中学习，解码器在扩散过程中生成材料，该过程将原子坐标移向更低能量状态，并更新原子类型以满足邻近之间的成键偏好。我们的模型还显式编码了跨周期边界的相互作用，并尊重置换、平移、旋转和周期不变性。我们在三项任务上显著优于以往方法：1）重建输入结构，2）生成有效、多样且逼真的材料，3）生成优化特定属性的材料。我们还为更广泛的机器学习社区提供了若干标准数据集与评估指标。
引用
@article{arxiv.2110.06197,
title = {Crystal Diffusion Variational Autoencoder for Periodic Material Generation},
author = {Tian Xie and Xiang Fu and Octavian-Eugen Ganea and Regina Barzilay and Tommi Jaakkola},
journal= {arXiv preprint arXiv:2110.06197},
year = {2022}
}
备注
Accepted to ICLR 2022. Code and data are publicly available at https://github.com/txie-93/cdvae