基于评分扩散模型的晶体结构填空与氢位重构
材料科学
2026-01-06 v1
摘要
生成式 AI 模型，如基于评分的扩散模型，最近在计算材料科学领域取得了进展，使能够生成具有所需属性的新材料。此外，这些模型也可用于重构部分信息可用的晶体结构。一个相关案例是可靠确定掺有氢原子的晶体材料中氢原子位置。虽然氢位置的识别对于分析和预测许多材料性质至关重要，但在 X 射线散射实验中难以识别，且常需专用的中子散射测量。因此，无机晶体数据库经常报告其中氢原子被省略或以启发式方法或化学直觉方式插入的晶体结构。本文将来自材料科学领域的扩散模型与计算机视觉中用于图像填空的技术相结合。我们展示了这种跨域知识迁移如何显著加速并提高对 host 结构的准确完成速度，优于无条件扩散模型或仅基于 DFT 的先前方法。总体而言，当从已用 DFT 松弛的结构或直接从实验确定的 host 结构出发时，我们的方法在找到结构匹配或预测比初始参考更稳定配置方面的成功率超过97%。
引用
@article{arxiv.2601.01959,
title = {Score-based diffusion models for accurate crystal-structure inpainting and reconstruction of hydrogen positions},
author = {Timo Reents and Arianna Cantarella and Marnik Bercx and Pietro Bonfà and Giovanni Pizzi},
journal= {arXiv preprint arXiv:2601.01959},
year = {2026}
}