Structural Constraint Integration in Generative Model for Discovery of Quantum Material Candidates

要約

有機分子は何十億種類も知られているが、機能的な無機材料はごく一部しか発見されていない。機械学習ベースの生成モデル、特に拡散モデルにおける最近の進歩は、新しい安定した材料を生成する上で大きな可能性を示している。しかし、幾何学的パターンを材料生成に統合することは依然として課題である。ここでは、生成モデルにおける構造的制約の統合（SCIGEN）を紹介する。本アプローチは、各拡散ステップの前に、拡散された制約構造でノイズ除去された構造を戦略的にマスクすることで、訓練された生成拡散モデルを修正することができ、制約出力に向けて生成を誘導する。さらに、SCIGENが元の分布から条件付きサンプリングを効果的に実行することを数学的に証明する。プロトタイプの制約としてアルキメデス格子を用いて800万化合物を生成し、10%以上が多段階の安定性事前スクリーニングを通過した。また、26,000化合物について密度汎関数法（DFT）を高スループットで行った結果、50%以上がDFTレベルでの構造最適化に成功した。量子物質の特性は幾何学的パターンと密接に関連しているため、SCIGENは量子物質候補を生成するための一般的なフレームワークを提供することが示された。

要約(オリジナル)

Billions of organic molecules are known, but only a tiny fraction of the functional inorganic materials have been discovered, a particularly relevant problem to the community searching for new quantum materials. Recent advancements in machine-learning-based generative models, particularly diffusion models, show great promise for generating new, stable materials. However, integrating geometric patterns into materials generation remains a challenge. Here, we introduce Structural Constraint Integration in the GENerative model (SCIGEN). Our approach can modify any trained generative diffusion model by strategic masking of the denoised structure with a diffused constrained structure prior to each diffusion step to steer the generation toward constrained outputs. Furthermore, we mathematically prove that SCIGEN effectively performs conditional sampling from the original distribution, which is crucial for generating stable constrained materials. We generate eight million compounds using Archimedean lattices as prototype constraints, with over 10% surviving a multi-staged stability pre-screening. High-throughput density functional theory (DFT) on 26,000 survived compounds shows that over 50% passed structural optimization at the DFT level. Since the properties of quantum materials are closely related to geometric patterns, our results indicate that SCIGEN provides a general framework for generating quantum materials candidates.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL