超越可微分目标的梯度方法：多属性材料设计
材料科学
2025-05-30 v4 机器学习
摘要
梯度方法通过直接使用预训练属性预测器的梯度来优化候选材料，提供一种简单高效的材料设计策略。然而，其在晶体结构优化中受到两个关键挑战的限制：处理非可微分约束（如电荷中性和结构保真性），以及易陷入差异良好的局部最小值。我们重新审视并扩展了梯度方法以解决这些问题。我们提出一种使用自适应晶体合成器 (Adaptive Crystal Synthesizer) 的同时多属性优化方法 (Simultaneous Multi-property Optimization using Adaptive Crystal Synthesizer, SMOACS)，该方法集成氧化数掩码和模板化初始化，以强制执行非可微分约束、避免差异良好的局部最小值，并灵活地整合额外约束而无需重新训练。SMOACS实现了多属性优化，包括如高温超导性等突破性目标，并可扩展至大型晶体系统，这些都是即使使用了来自属性预测器的梯度引导的生成模型所难以实现的挑战。在针对五个目标属性和三个数据集进行的实验中，SMOACS超过了生成模型和贝叶斯优化方法，成功设计出满足多个属性目标和约束的135原子钙钛矿结构，而其他方法在这方面完全无法实现。
引用
@article{arxiv.2410.08562,
title = {Rethinking Gradient-Based Methods: Multi-Property Materials Design Beyond Differentiable Targets},
author = {Akihiro Fujii and Yoshitaka Ushiku and Koji Shimizu and Anh Khoa Augustin Lu and Satoshi Watanabe},
journal= {arXiv preprint arXiv:2410.08562},
year = {2025}
}