Unleashing the power of novel conditional generative approaches for new materials discovery

要約

非常に長い間、新しい材料の設計に対するコンピューターによるアプローチは、候補材料を見つけてその特性をモデル化する反復プロセスに依存してきました。
AI はこの点で重要な役割を果たしており、高度な計算手法とデータ駆動型のアプローチを通じて結晶の特性と構造の発見と最適化を加速するのに役立っています。
新材料設計の問題に対処し、新材料探索のプロセスを高速化するために、私たちは結晶構造設計の問題に最新の生成的アプローチを適用し、スーパーコンピュータを使用せずに、与えられた特性によってそれらを満たす構造を生成するという逆問題の解決を試みました。
権力。
私たちの研究では、次の 2 つのアプローチを提案します。1) 条件付き構造変更: エネルギー的に最も有利な構造と、そのすべての安定性の低い多形の間のエネルギー差を使用した、任意の原子配置の安定性の最適化。2) 条件付き構造生成。
私たちは、格子、原子座標、原子の種類、化学的特徴、空間群、構造の形成エネルギーなどの情報を含む材料の表現を使用しました。
損失関数は、結晶構造の周期的境界条件を考慮して最適化されました。
拡散モデルアプローチ、フローマッチング、通常のオートエンコーダー(AE)を適用し、モデルとアプローチの結果を比較しました。
研究の指標として、物理的な PyMatGen マッチャーが採用されました。デフォルトの許容誤差を使用して、ターゲット構造と生成された構造を比較します。
これまでのところ、私たちのモディファイアとジェネレーターは、それぞれ 41% と 82% の精度で必要なプロパティを備えた構造を生成します。
提供された方法論の効率を証明するために、推論が実行され、その結果、AFLOW 由来の凸包の下に形成エネルギーを持ついくつかの新しい可能性のある構造が得られました。

要約(オリジナル)

For a very long time, computational approaches to the design of new materials have relied on an iterative process of finding a candidate material and modeling its properties. AI has played a crucial role in this regard, helping to accelerate the discovery and optimization of crystal properties and structures through advanced computational methodologies and data-driven approaches. To address the problem of new materials design and fasten the process of new materials search, we have applied latest generative approaches to the problem of crystal structure design, trying to solve the inverse problem: by given properties generate a structure that satisfies them without utilizing supercomputer powers. In our work we propose two approaches: 1) conditional structure modification: optimization of the stability of an arbitrary atomic configuration, using the energy difference between the most energetically favorable structure and all its less stable polymorphs and 2) conditional structure generation. We used a representation for materials that includes the following information: lattice, atom coordinates, atom types, chemical features, space group and formation energy of the structure. The loss function was optimized to take into account the periodic boundary conditions of crystal structures. We have applied Diffusion models approach, Flow matching, usual Autoencoder (AE) and compared the results of the models and approaches. As a metric for the study, physical PyMatGen matcher was employed: we compare target structure with generated one using default tolerances. So far, our modifier and generator produce structures with needed properties with accuracy 41% and 82% respectively. To prove the offered methodology efficiency, inference have been carried out, resulting in several potentially new structures with formation energy below the AFLOW-derived convex hulls.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google