Diffusion probabilistic models enhance variational autoencoder for crystal structure generative modeling

要約

結晶拡散変分オートエンコーダ(CDVAE)は、スコアマッチングを利用して、結晶対称性を保った現実的な結晶構造を生成する機械学習モデルである。本研究では、CDVAEの標準的なスコアマッチングアプローチではなく、新しい拡散確率（DP）モデルを原子座標のノイズ除去に活用する。提案するDP-CDVAEモデルは、オリジナルのCDVAEと統計的に同程度の品質を持つ結晶構造を再構成し、生成することができる。さらに、DP-CDVAEモデルによって生成された炭素構造と密度汎関数理論計算から得られた緩和構造を比較すると、DP-CDVAEによって生成された構造は、それぞれの基底状態に著しく近いことがわかった。これらの構造と真の基底状態との間のエネルギー差は、オリジナルのCDVAEによって生成された構造よりも平均して68.1meV/atom低い。このエネルギー精度の大幅な向上は、DP-CDVAEモデルが基底状態をよりよく表す結晶構造を生成するのに有効であることを強調しています。

要約(オリジナル)

The crystal diffusion variational autoencoder (CDVAE) is a machine learning model that leverages score matching to generate realistic crystal structures that preserve crystal symmetry. In this study, we leverage novel diffusion probabilistic (DP) models to denoise atomic coordinates rather than adopting the standard score matching approach in CDVAE. Our proposed DP-CDVAE model can reconstruct and generate crystal structures whose qualities are statistically comparable to those of the original CDVAE. Furthermore, notably, when comparing the carbon structures generated by the DP-CDVAE model with relaxed structures obtained from density functional theory calculations, we find that the DP-CDVAE generated structures are remarkably closer to their respective ground states. The energy differences between these structures and the true ground states are, on average, 68.1 meV/atom lower than those generated by the original CDVAE. This significant improvement in the energy accuracy highlights the effectiveness of the DP-CDVAE model in generating crystal structures that better represent their ground-state configurations.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL