FlowMM: Generating Materials with Riemannian Flow Matching

晶体材料是下一代技术中的基本组成部分，然而模拟它们的分布存在独特的计算挑战。在周期晶格中，原子的可能排列方式中，仅有极少数是热力学稳定的，这是实验可实现的材料的关键指标。在这个领域中的两个基本任务是：(a) 预测已知元素组成的稳定晶体结构；(b) 提出新的元素组成及其稳定结构。我们提出了FlowMM，一对生成模型，它们在两个任务上均实现了最先进的性能，同时比竞争方法更高效、更灵活。我们将黎曼流匹配推广到适应晶体固有的对称性：平移、旋转、排列和周期边界条件。我们的框架使得可以自由选择流基分布，与扩散模型相比，极大地简化了学习晶体结构的问题。除了标准基准测试之外，我们还通过量子化学计算验证了FlowMM生成的结构，证明它在找到稳定材料方面比以往的开放方法更高效，积分步骤的效率提高了约3倍。

FlowMM试图解决晶体结构的建模问题，包括预测已知元素组成的晶体结构以及提出新的元素组合和相应的稳定结构。

FlowMM是一对生成模型，利用广义的Riemannian Flow Matching框架来解决晶体的对称性问题，使得选择流基本分布更加自由，比扩散模型更简单高效。

FlowMM在标准基准测试中表现出色，同时使用量子化学计算验证了其生成的结构的稳定性。实验结果表明，与之前的开放方法相比，FlowMM在寻找稳定材料方面的效率提高了约3倍。

在晶体结构建模领域，还有许多相关研究，如基于深度学习的晶体结构生成方法、基于机器学习的晶体结构预测方法等。