通过强化学习引导生成模型发现多样性和新颖的晶体结构
机器学习
2025-11-11 v1 计算物理
摘要
发现功能性晶体材料需要导航庞大的组合设计空间。虽然近期进展在生成式人工智能中实现了化学上合理的成分和结构采样，但仍存在一个根本性挑战：基于概率密度的采样与针对 novel compounds 所在的 underexplored 区域的目标聚焦之间的目标错位。本文引入了一个强化学习框架，将潜在去噪扩散模型引导 toward diverse and novel、且热力学可行的晶体化合物。我们的方法将 group relative policy optimisation 与可验证的、多目标奖励相结合，以平衡创造性、稳定性和多样性。除了 de novo 生成，我们展示了增强的、以属性为导向的设计，保持化学有效性，同时针对所需的功能属性进行优化。该方法为可控的 AI 驱动逆向设计建立了模块化基础，解决了生成模型在科学发现应用中 novel-validity 抗衡问题。
引用
@article{arxiv.2511.07158,
title = {Guiding Generative Models to Uncover Diverse and Novel Crystals via Reinforcement Learning},
author = {Hyunsoo Park and Aron Walsh},
journal= {arXiv preprint arXiv:2511.07158},
year = {2025}
}