周期性图的深度生成模型

周期性图是由重复局部结构组成的图，例如晶体网络和多边形网格。其生成建模在材料设计和图形合成等现实应用中具有巨大潜力。经典模型要么依赖于领域特定的预定义生成原则（例如晶体网络设计），要么遵循基于几何的既定规则。近年来，深度生成模型在自动生成通用图方面展现出巨大前景。然而，由于以下关键挑战，其在周期性图中的进展尚未得到充分探索：1) 保持图周期性；2) 解耦局部与全局模式；3) 学习重复模式的效率。为解决这些问题，本文提出周期性图解耦变分自编码器（PGD-VAE），一种用于周期性图的新型深度生成模型，可自动学习、解耦并生成局部与全局图模式。具体而言，我们开发了由全局模式编码器和局部模式编码器组成的新型周期性图编码器，确保将表示解耦为全局与局部语义。接着，我们提出由局部结构解码器、邻域解码器和全局结构解码器组成的新型周期性图解码器，以及保证周期性的输出组装器。此外，我们设计了一种新的模型学习目标，有助于确保具有相同局部结构的图的局部语义表示的不变性。我们进行了全面的实验评估以证明所提方法的有效性。所提出的 PGD-VAE 代码可在 https://github.com/shi-yu-wang/PGD-VAE 获取。