OXtal：用于有机晶体结构预测的全原子扩散模型
机器学习
2026-04-21 v3 材料科学
摘要
从二维化学图准确预测实验可实现的3D分子晶体结构，是计算化学中一个长期未解决的开放挑战，称为晶体结构预测（CSP）。高效解决此问题对从药物到有机半导体等领域具有广泛影响，因为晶体堆积直接决定了有机固体的物理和化学性质。在本文中，我们引入了OXtal，一个大规模的100M参数全原子扩散模型，直接学习分子内构象和周期性堆积的条件联合分布。为了高效地扩展OXtal，我们放弃了施加晶体对称性归纳偏置的显式等变架构，转而采用数据增强策略。我们进一步提出了一种受结晶启发的无晶格训练方案——化学计量随机壳层采样（Stoichiometric Stochastic Shell Sampling, S⁴），该方案高效捕获长程相互作用，同时避免了显式的晶格参数化——从而在所有原子分辨率下实现了更具可扩展性的架构选择。通过利用一个包含600K个实验验证晶体结构的大数据集（包括刚性分子、柔性分子、共晶体和溶剂化物），OXtal在性能上相比先前从头开始的机器学习CSP方法实现了数量级的提升，同时成本比传统量子化学方法低多个数量级。具体而言，OXtal以构象RMSD₁<0.5 Å恢复了实验结构，并实现了超过80%的堆积相似度率，展示了其模拟分子结晶热力学和动力学规律的能力。
引用
@article{arxiv.2512.06987,
title = {OXtal: An All-Atom Diffusion Model for Organic Crystal Structure Prediction},
author = {Emily Jin and Andrei Cristian Nica and Mikhail Galkin and Jarrid Rector-Brooks and Kin Long Kelvin Lee and Santiago Miret and Frances H. Arnold and Michael Bronstein and Avishek Joey Bose and Alexander Tong and Cheng-Hao Liu},
journal= {arXiv preprint arXiv:2512.06987},
year = {2026}
}