引入面向结构新颖性的物理信息生成模型：化学空间探索
材料科学
2025-12-15 v2 机器学习
摘要
发现具有新结构化学的材料是实现变革性功能的关键。生成式人工智能提供了一种可扩展的方案，提出新的晶体结构候选。我们引入一种可靠且低成本的结构新颖性代理，作为条件属性来引导生成向新颖且物理上合理的结构方向。随后，我们开发了一种物理信息扩散模型，将该局部环境多样性描述符嵌入模型，同时将紧凑性作为稳定性度量，以平衡物理合理性与结构新颖性。对这些度量进行条件化可改善扩散模型的生成性能，使生成远离训练数据中占主导地位的结构图案。一种化学导向的验证方案隔离那些组合合理性与结构新颖性的候选结构，用于基于物理的能量稳定性计算。然而，这些候选结构在使用晶体结构预测（CSP）对候选组成的完整势能面进行评估后，稳定性和新颖性可能会发生变化。这表明一种实际的生成式-CSP 协同方式对于以发现为导向的探索非常有用，在这种情况下，AI 针对化学空间中具有物理可行性且结构上具有差异性的区域进行生成，以进行基于物理的新颖性和稳定性评估。
引用
@article{arxiv.2510.23181,
title = {Introducing physics-informed generative models for targeting structural novelty in the exploration of chemical space},
author = {Andrij Vasylenko and Federico Ottomano and Christopher M. Collins and Rahul Savani and Matthew S. Dyer and Matthew J. Rosseinsky},
journal= {arXiv preprint arXiv:2510.23181},
year = {2025}
}