CrystalGAN:利用生成对抗网络学习发现晶体学结构
机器学习
2019-05-28 v3 机器学习
摘要
我们的主要动机是提出一种高效方法来生成可用于实际应用的新型多元素稳定化合物。该任务可表述为一个组合问题,人类专家需要花费大量时间构建和评估新数据。无监督学习方法如生成对抗网络(GANs)可高效用于生成新数据。跨域生成对抗网络在图像处理应用中取得了令人振奋的结果。然而,在材料科学领域,需要合成比观测样本更高阶复杂度的数据,最先进的跨域GAN无法直接适配。在本文中,我们提出一种称为CrystalGAN的新型GAN,其生成具有更高域复杂度的化学稳定晶体学结构。我们引入了原创架构,给出了相应的损失函数,并展示CrystalGAN生成的数据非常合理。我们在新型氢化物发现的真实原创问题上说明了所提方法的效率,该问题可进一步用于储氢材料开发。
引用
@article{arxiv.1810.11203,
title = {CrystalGAN: Learning to Discover Crystallographic Structures with Generative Adversarial Networks},
author = {Asma Nouira and Nataliya Sokolovska and Jean-Claude Crivello},
journal= {arXiv preprint arXiv:1810.11203},
year = {2019}
}