CrystalGRW: Generative Modeling of Crystal Structures with Targeted Properties via Geodesic Random Walks

要約

候補となる結晶材料が熱力学的に安定しているかどうかを判断するには、その真の基底状態構造を特定することが重要であり、計算材料科学における中心的な課題です。
我々は、新しい結晶構造を提案し、密度汎関数理論によって検証された安定相を予測できる、リーマン多様体上の拡散ベースの生成モデルである CrystalGRW を紹介します。
分数座標、原子タイプ、格子行列などの結晶特性は適切なリーマン多様体で表現され、拡散プロセスを通じて生成される新しい予測が結晶構造の周期性を確実に維持します。
等変グラフ ニューラル ネットワークを組み込んで、生成プロセス中の回転対称および並進対称も考慮します。
CrystalGRW は、基底状態に近い現実的な結晶構造を既存のモデルと同等の精度で生成する機能を実証すると同時に、必要な結晶点群の指定などの条件付き制御も可能にします。
これらの機能は、実験検証用に安定した対称性の一貫した結晶候補を提供することで、材料の発見と逆設計を加速するのに役立ちます。

要約(オリジナル)

Determining whether a candidate crystalline material is thermodynamically stable depends on identifying its true ground-state structure, a central challenge in computational materials science. We introduce CrystalGRW, a diffusion-based generative model on Riemannian manifolds that proposes novel crystal configurations and can predict stable phases validated by density functional theory. The crystal properties, such as fractional coordinates, atomic types, and lattice matrices, are represented on suitable Riemannian manifolds, ensuring that new predictions generated through the diffusion process preserve the periodicity of crystal structures. We incorporate an equivariant graph neural network to also account for rotational and translational symmetries during the generation process. CrystalGRW demonstrates the ability to generate realistic crystal structures that are close to their ground states with accuracy comparable to existing models, while also enabling conditional control, such as specifying a desired crystallographic point group. These features help accelerate materials discovery and inverse design by offering stable, symmetry-consistent crystal candidates for experimental validation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google