传输新颖距离：用于评估材料生成模型的分布式度量
材料科学
2025-12-11 v1 机器学习
摘要
近期生成式机器学习的进展为材料的发现和设计开辟了新可能。然而，随着这些模型日益精深，对于严谨且有意义的评估指标的需求日益增长。现有的评估方法往往无法同时捕捉生成结构的质量和新颖性，限制了我们对真正生成性能的评估能力。本文引入传输新颖距离（TNovD）用于综合评估材料发现中生成模型的质量和新颖性。基于最优传输理论的思想，TNovD 使用训练集和生成集特征之间的配对，该配对通过阈值细化为质量和记忆 regimes。特征通过使用图神经网络从晶体结构中生成，这一网络是通过对比学习训练，以区分材料、其增强版本和不同尺寸的超晶体。我们在与晶体结构预测相关的典型玩具实验中评估了 TNovD，包括记忆、噪声注入和晶格变形。此外，我们在 MP20 验证集和 WBM 替代数据集上验证了 TNovD，证明其能够检测记忆和低质量材料数据。我们还对几类流行材料生成模型进行了基准测试。虽然为材料引入了 TNovD，但该框架是通用的，可适用于其他领域，如图像和分子。
引用
@article{arxiv.2512.09514,
title = {Transport Novelty Distance: A Distributional Metric for Evaluating Material Generative Models},
author = {Paul Hagemann and Simon Müller and Janine George and Philipp Benner},
journal= {arXiv preprint arXiv:2512.09514},
year = {2025}
}