CliqueFlowmer：基于离线模型的材料优化
人工智能
2026-04-21 v4 计算工程、金融与科学
摘要
近期深度学习的进展激发了基于神经网络的计算材料发现 (CMD) 方法。该领域大量问题都涉及寻找优化特定目标属性的材料。然而，越来越流行的生成模型方法在探索材料空间中有吸引力区域方面效果不佳，受其最大似然训练的限制。本文提供了一种替代的 CMD 技术，基于离线模型的优化 (MBO) 方法，将目标材料属性的直接优化融入生成过程。为此，我们引入了一个领域特定模型，称为 CliqueFlowmer，它将基于 clique 的 MBO 最新进展融合到 transformer 和 flow 生成中。我们验证了该模型的优化能力，表明其产生的材料显著优于生成基线。为支持专门的材料发现应用及更广泛的跨学科研究，我们已在 https://github.com/znowu/CliqueFlowmer、https://colab.research.google.com/drive/1usUg7zezFkcYHlm2MdYwZUNJXf_YkWnY?usp=sharing 以及 https://x.com/kuba_AI/status/2033382617442345321 上公开代码、模型权重和其他项目资源。
关键词
引用
@article{arxiv.2603.06082,
title = {Offline Materials Optimization with CliqueFlowmer},
author = {Jakub Grudzien Kuba and Benjamin Kurt Miller and Sergey Levine and Pieter Abbeel},
journal= {arXiv preprint arXiv:2603.06082},
year = {2026}
}