建立无机晶体生成式发现的基线
材料科学
2025-07-02 v2 人工智能
化学物理
摘要
生成式人工智能为材料发现提供了一条有前景的途径,但其相对于传统方法的优势尚不明确。在本工作中,我们引入并基准测试了两种基线方法——电荷平衡原型的随机枚举以及基于数据驱动的已知化合物离子交换——并将其与基于扩散模型、变分自编码器(VAE)以及大语言模型(LLM)的四种生成技术进行比较。我们的结果表明,离子交换等成熟方法更擅长生成稳定的新材料,尽管其中许多与已知化合物高度相似。相比之下,生成模型在提出新颖结构框架方面表现出色,并且在训练数据充足时,能够更有效地针对电子带隙和体积模量等性质。为提升基线方法与生成方法的性能,我们引入了一个生成后筛选步骤,将所有候选结构通过基于预训练机器学习模型(包括通用原子间势)的稳定性与性质过滤器。该低成本筛选步骤显著提升了所有方法的成功率,同时保持了计算效率,并最终为材料发现中更有效的生成策略提供了一条实用路径。通过建立可比较的基线,本工作凸显了生成模型持续发展的机遇,特别是在针对热力学稳定的新颖材料生成方面。
引用
@article{arxiv.2501.02144,
title = {Establishing baselines for generative discovery of inorganic crystals},
author = {Nathan J. Szymanski and Christopher J. Bartel},
journal= {arXiv preprint arXiv:2501.02144},
year = {2025}
}