AlphaCrystal-II: Distance matrix based crystal structure prediction using deep learning

计算预测稳定的晶体结构对于大规模发现新型功能材料具有深远的影响。然而，仅通过材料的组成或化学式预测晶体结构是一项有前途但具有挑战性的任务，因为传统的从头计算晶体结构预测方法依赖于耗时的全局搜索和第一性原理自由能计算。受近期深度学习方法在蛋白质结构预测方面的成功启发，该方法利用成对氨基酸相互作用来描述三维结构，我们提出了AlphaCrystal-II，一种新颖的基于知识的解决方案，利用现有已知晶体结构中丰富的原子间相互作用模式。AlphaCrystal-II预测目标晶体材料的原子距离矩阵，并利用该矩阵重构其三维晶体结构。通过利用已知晶体结构的丰富原子间关系，我们的方法在全面的实验中展示了卓越的有效性和可靠性。这项工作突显了数据驱动方法在加速发现和设计具有定制属性的新材料方面的潜力。

论文试图通过利用已知晶体结构中的原子间相互作用模式，提出一种新的基于知识的解决方案，以加速发现和设计具有定制特性的新材料。

论文提出的关键思路是使用 AlphaCrystal-II，利用已知晶体结构中的丰富原子间关系来预测目标晶体材料的原子距离矩阵，并利用该矩阵重构其三维晶体结构。相比传统的基于第一性原理计算的晶体结构预测方法，AlphaCrystal-II 在准确性和效率方面都有显著提高。

论文的实验结果表明，AlphaCrystal-II 在结构预测方面具有出色的准确性和可靠性。论文还提到了使用的数据集和开源代码，并探讨了这种数据驱动方法在加速新材料发现和设计方面的潜力。

最近的相关研究包括利用深度学习方法进行蛋白质结构预测的研究，该方法利用了氨基酸之间的相互作用来描述三维结构。相关论文包括“Protein structure prediction using multiple deep neural networks in the 13th Critical Assessment of Techniques for Protein Structure Prediction (CASP13)”等。