基于文本引导的联合扩散模型用于周期材料生成
机器学习
2025-03-04 v1 材料科学
摘要
等变扩散模型已成为生成新型晶体材料的主流方法，due to其能够利用周期材料结构的物理对称性。然而，当前模型在整合性地学习晶体材料原子类型、分数坐标和晶格结构联合分布的端到端扩散框架中并不十分有效。此外，这些模型都不适用于实际场景，即用户指定生成结构必须满足的所需特征。在本工作中，我们引入TGDMat，一种新的文本引导扩散模型，用于3D周期材料生成。我们的方案在每个去噪步骤通过文本描述整合全局结构知识，同时使用基于周期E(3)等变图神经网络(GNN)联合生成原子坐标、类型和晶格结构。针对基准任务进行的大量实验表明，TGDMat在性能上优于现有基线方法。值得注意的是，在结构预测任务中，仅凭一个生成样本，TGDMat便超过了所有基线模型，凸显了文本引导扩散的重要性。此外，在生成任务中，TGDMat超过了所有基线及其文本融合变体，凸显了联合扩散范式的有效性。此外， incorporating文本知识还减少了整体训练和采样计算开销，同时在利用专家来自真实世界的文本提示时增强了生成性能。
引用
@article{arxiv.2503.00522,
title = {Periodic Materials Generation using Text-Guided Joint Diffusion Model},
author = {Kishalay Das and Subhojyoti Khastagir and Pawan Goyal and Seung-Cheol Lee and Satadeep Bhattacharjee and Niloy Ganguly},
journal= {arXiv preprint arXiv:2503.00522},
year = {2025}
}
备注
ICLR 2025