基于层次 Transformer 与不确定性量化的晶体结构可合成性预测
材料科学
2025-10-23 v1 机器学习
摘要
预测哪些假设性无机晶体可以被实验实现仍是加速材料发现的核心挑战。SyntheFormer 是一个正-未标记框架，直接从晶体结构学习可合成性，将傅里叶变换晶体周期（FTCP）表示与层次特征提取、随机森林特征选择和紧凑深度 MLP 分类器相结合。该模型在2011至2018年的历史数据上进行训练，并在2019至2025年的未来年份中进行概览评估，其中正类仅占样本的1.02%。在这种时间分离的评估下，SyntheFormer 实现了0.735的测试 ROC 曲线下面积，并通过双阈值校准，在实现97.6%召回率、94.2%覆盖率的高召回筛选中表现突出，这最小化了遗漏机会，同时保持判别能力。关键的是，该模型恢复了远离凸面包浆且经实验确认的 metastable 化合物，同时为许多尚未合成却热力学稳定的候选者分配低分，表明仅凭稳定性不足以预测实验可达性。通过将结构感知表示与不确定性感知决策规则相结合，SyntheFormer 为优先考虑最有前景的新型无机材料提供了实用路径，聚焦于实验室工作。
引用
@article{arxiv.2510.19251,
title = {Synthesizability Prediction of Crystalline Structures with a Hierarchical Transformer and Uncertainty Quantification},
author = {Danial Ebrahimzadeh and Sarah Sharif and Yaser Mike Banad},
journal= {arXiv preprint arXiv:2510.19251},
year = {2025}
}