PRISMat：面向材料生成的策略驱动、置换不变自回归模型

快速识别具有目标性质的候选材料已成为材料科学中的关键任务。机器学习作为物理仿真的替代方案，提供了一种更快、更经济的方式，通过稳定性和其他目标性质来筛选材料，从而减少到达昂贵合成阶段的候选材料数量。最近，大语言模型（LLM）被应用于此角色，但这些模型参数量大且在训练和推理期间计算成本高昂，使其不适用于高吞吐量任务。这种效率低下源于语言模型的大量过度参数化以及将材料生成表述为序列学习问题的困难。在本文中，我们提出了 PRISMat 模型，这是一个成本有效且置换不变的模型，旨在解决上述局限性。我们展示了 PRISMat 在推理时间上耗时更少，但能够在以关键材料表面性质为条件生成晶体薄片时超越 LLM。对于目标材料发现，我们实现了 cleavage energy 和 work function 任务中分别为 0.188 eV/A$^2$ 和 2.79 eV 的平均绝对误差，将最佳次优模型的误差降低了 4 倍以上。