用于高效且多样化发现分子与晶体结构的生成式结构搜索
人工智能
2026-05-26 v2
摘要
预测稳定和亚稳结构是分子与材料发现的核心，但仍受限于搜索高维能量景观的成本。深度生成模型提供了高效的结构采样，但其输出仍受训练数据的影响，并可能对稀有但物理相关的极小值探索不足。我们引入了生成式结构搜索（GSS），这是一个统一框架，将基于扩散的生成和随机结构搜索（RSS）表述为由学习到的得分场和物理力驱动的通用采样过程的极限状态。耦合这些驱动力使 GSS 能够利用数据先验加速采样，同时保留能量引导的局部极小值探索。在分子和晶体系统中，GSS 恢复了多样化的亚稳结构，其采样成本比 RSS 低十倍以上，以实现广泛覆盖，并且对于训练分布之外的组分仍然有效。这些结果建立了一种基于物理的生成式搜索策略，用于发现仅靠数据驱动采样无法触及的结构。
引用
@article{arxiv.2604.27636,
title = {Generative structure search for efficient and diverse discovery of molecular and crystal structures},
author = {Yifang Qin and Yu Shi and Junfu Tan and Chang Liu and Ming Zhang and Ziheng Lu},
journal= {arXiv preprint arXiv:2604.27636},
year = {2026}
}