Crystal-GFN: sampling crystals with desirable properties and constraints

要約

物質発見の加速は、気候危機の緩和に大きく役立つ可能性を秘めています。
電極触媒、超イオン伝導体、太陽光発電材料などの新しい固体材料の発見は、再生可能エネルギーの生産や貯蔵の効率向上などに重大な影響を与える可能性があります。
この論文では、結晶材料の構造特性、つまり空間群、組成、格子パラメータを連続的にサンプリングする結晶構造の生成モデルである Crystal-GFN を紹介します。
このドメインにインスピレーションを得たアプローチにより、物理的および構造的な厳しい制約を柔軟に組み込むことができるほか、目的関数として目的の物理化学的特性の利用可能な予測モデルを使用することができます。
安定した材料を設計するには、形成エネルギーが最も低い候補をターゲットにする必要があります。
ここでは、MatBench で訓練された新しい代理機械学習モデルによって予測された結晶構造の原子あたりの形成エネルギーを目的として使用します。
この結果は、Crystal-GFN が低い予測形成エネルギー (中央値 -3.1 eV/原子) で非常に多様な結晶をサンプリングできることを示しています。

要約(オリジナル)

Accelerating material discovery holds the potential to greatly help mitigate the climate crisis. Discovering new solid-state materials such as electrocatalysts, super-ionic conductors or photovoltaic materials can have a crucial impact, for instance, in improving the efficiency of renewable energy production and storage. In this paper, we introduce Crystal-GFN, a generative model of crystal structures that sequentially samples structural properties of crystalline materials, namely the space group, composition and lattice parameters. This domain-inspired approach enables the flexible incorporation of physical and structural hard constraints, as well as the use of any available predictive model of a desired physicochemical property as an objective function. To design stable materials, one must target the candidates with the lowest formation energy. Here, we use as objective the formation energy per atom of a crystal structure predicted by a new proxy machine learning model trained on MatBench. The results demonstrate that Crystal-GFN is able to sample highly diverse crystals with low (median -3.1 eV/atom) predicted formation energy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google