机构名称：
¥ 2.0
我们发现更好的材料的速度对碳捕获，半导体设计和能量存储等领域的技术创新速度产生了重大影响[1-3]。传统上，大多数材料是通过实验和人类直觉发现的，限制了可以测试的候选者数量，并导致长时间迭代周期。多亏了高通量筛选[13]，开放材料数据库[14-17]，基于机器学习的财产预测者[18，19]和机器学习力场（MLFFS）[20，21]，已经可以筛选成千上万的材料来识别有希望的候选者[22，23]。但是，基于筛查的方法仍受到已知材料数量的限制。以前未知的Crys-talline材料的最大探索是在10 6-10 7材料[21，23 - 25]的订单中，这仅是潜在稳定的无机化合物数量的一小部分[26]。此外，这些方法无法有效地转向具有目标特性的材料。鉴于这些局限性，对伴侣的逆设计引起了极大的兴趣[27，28]。逆设计的目的是直接生成满足目标属性约束的材料结构，例如，通过生成模型[4，8，11]，Evolution-Ary算法[29]和增强学习[30]。生成模型很有希望，因为它们可以有效地探索新的结构，并可以灵活地适应不同的下游任务。1）。2）。MatterGen的广泛条件功能然而，根据密度功能理论（DFT）计算[4、5、31]的当前生成模型通常无法产生稳定的材料，受到元素的狭窄子集的限制[7，9]，并且只能优化非常有限的属性集，主要是形成能[4，5，5，5，8，11，11，11，31，32]。在这项研究中，我们提出了Mattergen，这是一种基于扩散的生成模型，该模型在周期表中产生稳定，多样的无机材料，并且可以通过针对逆材料设计的各种下游任务进行微调（图为了实现这一目标，我们引入了一个扩散过程，该过程通过渐变的原子类型，坐标和周期性晶格来生成晶体结构。我们进一步引入适配器模块，以对所需的化学组成，对称性和标量性质约束（如磁密度）进行微调。与以前的材料的先前状态生成模型相比，Mattergen的稳定，独特和新颖（S.U.N.）材料，并生成在DFT局部能量最小的距离其地面结构的10倍以上的结构（图。
无机材料设计的生成模型
主要关键词
相关文件推荐
