Generative Inverse Design of Crystal Structures via Diffusion Models with Transformers

最近深度学习的进展使得通过在大型文本、图像和音频数据集上训练生成模型来生成逼真的数据成为可能。虽然这些模型在生成新颖和可信数据方面表现出了出色的性能，但它们是否能够通过数据生成有效地加速科学发现并在各个科学领域推动重大进展仍然是一个未解决的问题。特别是，发现具有有前途性质的新无机材料是一个关键的挑战，无论是从科学上还是从工业应用上。然而，与文本或图像数据不同，材料，更具体地说是晶体结构，由多种类型的变量组成，包括晶格向量、原子位置和原子种类。这种数据的复杂性导致了多种表示和生成这种数据的方法。因此，用于晶体结构生成模型的设计选择仍然是一个未解决的问题。在这项研究中，我们探索了一种基于Transformer架构的新型扩散模型，用于晶体结构的生成逆向设计。我们展示了我们的模型在生成具有所需属性的晶体结构的多样性方面优于以前的方法。此外，我们的实证结果表明，最佳的条件方法因数据集而异。

如何通过生成模型加速发现新型无机材料，特别是晶体结构的发现？

使用基于Transformer架构的扩散模型，进行晶体结构的生成逆设计，实现生成具有所需属性的晶体结构。

论文展示了该模型在生成具有所需属性的晶体结构方面的优越性，并且发现最佳的调节方法因数据集而异。实验使用了开源的数据集，并提供了开源代码。

最近的相关研究包括：'Crystal Graph Convolutional Neural Networks for an Accurate and Interpretable Prediction of Material Properties'，'Deep Potential Molecular Dynamics: a Scalable Model with the Accuracy of Quantum Mechanics'等。