神经结构场及其在晶体结构自编码器中的应用

表示材料的晶体结构以借助神经网络确定它们，对于涉及晶体结构估计的机器学习应用至关重要。在这些应用中，材料的逆向设计有助于探索具有所需性质的材料，而无需依赖运气或偶然发现。我们提出神经结构场（NeSF）作为一种准确且实用的、用神经网络表示晶体结构的方法。受物理学中矢量场概念和计算机视觉中隐式神经表示概念的启发，所提出的NeSF将晶体结构视为连续场而非离散的原子集合。与现有的基于网格的离散空间表示不同，NeSF克服了空间分辨率与计算复杂度之间的权衡，并可表示任意晶体结构。我们提出了一种晶体结构自编码器，能够恢复多种晶体结构，例如钙钛矿结构材料和铜氧化物超导体的结构。大量定量结果证明了NeSF相对于现有基于网格方法的优越性能。