面向周期材料对称感知生成的探索
机器学习
2023-11-07 v2 材料科学
摘要
我们研究利用深度模型生成周期材料的问题。尽管对称感知的分子生成已被广泛研究，周期材料具有不同对称性，现有方法尚未完全捕捉。本工作中，我们提出 SyMat，一种能够捕捉周期材料结构物理对称性的新材料生成方法。SyMat 通过变分自编码器模型生成原子类型集合、晶格长度与晶格角度，从而生成材料的原子类型与晶格。此外，SyMat 采用基于分数的扩散模型生成材料原子坐标，其中在坐标扩散过程中使用了一种新颖的对称感知概率模型。我们证明 SyMat 在理论上对材料的所有对称变换不变，并展示 SyMat 在随机生成与性质优化任务上取得有前景的性能。我们的代码作为 AIRS 库的一部分公开可用（https://github.com/divelab/AIRS）。
引用
@article{arxiv.2307.02707,
title = {Towards Symmetry-Aware Generation of Periodic Materials},
author = {Youzhi Luo and Chengkai Liu and Shuiwang Ji},
journal= {arXiv preprint arXiv:2307.02707},
year = {2023}
}
备注
Accepted by NeurIPS 2023 as a spotlight paper