[論文レビュー] Crystal-GFN: sampling crystals with desirable properties and constraints

Mila AI Science, :+12 more|ArXiv.org|Oct 7, 2023

Machine Learning in Materials Science被引用数 5

ひとこと要約

Crystal-GFN は、生成エネルギー代理モデルで訓練された GFlowNet フレームワークを用いて、空間群、成分、格子定数を段階的に生成することで結晶構造を生成する生成モデルである。中央値予測生成エネルギーは -3.1 eV/原子であり、95%が -2 eV/原子未満の非常に多様で安定した結晶をサンプリングし、材料発見における効果的で制約を考慮した生成を示している。

ABSTRACT

The discovery of novel solid-state materials, such as electrocatalysts, super-ionic conductors, or photovoltaic materials, plays a critical role in addressing various global challenges. It has, for instance, the potential to significantly improve the efficiency of renewable energy production and storage, thereby making substantial contributions to climate crisis mitigation strategies. In this paper, we introduce Crystal-GFN, a generative model of crystal structures possessing desirable properties and constraints. Operating as a multi-environment, continuous-discrete GFlowNet, it sequentially samples structural attributes of crystalline materials, namely space group, composition and lattice parameters. This domain-inspired approach enables the flexible incorporation of physicochemical and geometric hard constraints. We demonstrate the capabilities of Crystal-GFN to efficiently discover diverse and valid crystals with various properties: low predicted formation energy (median -3.2 eV/atom), band gap close to a target value and high density. Overall, Crystal-GFN is a crystal generation method that addresses several existing challenges in the literature and opens promising paths for accelerating materials discovery with machine learning.

研究の動機と目的

• 望ましい物理的・化学的性質を有する安定な無機結晶の発見を加速すること。
• 複雑な物理的・化学的制約下で有効で多様かつ安定した結晶構造を生成する課題に対処すること。
• ドメインにインspiredされた段階的生成プロセスを用いて、効率的で制約を考慮した結晶構造のサンプリングを可能にすること。
• 生成エネルギーに基づく学習された報酬関数が、低エネルギーで安定した候補へモデルを誘導できることを示すこと。
• 任意の性質予測モデルとハード制約の統合を可能にする柔軟なフレームワークを提供すること。

提案手法

• Crystal-GFN は、空間群（結晶格子系と点対称性で定義）、成分（元素種と数）、格子定数（a, b, c, α, β, γ）の3つの構造的要素に対して段階的生成プロセスを用いる。
• モデルは、学習された報酬関数に比例して構造をサンプリングする GFlowNet フレームワークを採用しており、多様でターゲットに特化した生成を可能にする。
• MatBench で学習された代理機械学習モデルが生成エネルギー/原子を予測し、トレーニング中の報酬関数として機能する。
• 電荷中性、成分と空間群の整合性、空間群と格子定数の整合性といった複数レベルのハード制約を統合する。
• トレーニングは、CPU 僅用の環境で 12 時間実行され、目的関数として代理モデルの予測値が使用される。
• トレーニング後、10,000 個の結晶構造がサンプリングされ、多様性と予測生成エネルギーの評価が行われる。

実験結果

リサーチクエスチョン

• RQ1 生成モデルは、予測生成エネルギーが低い多様な結晶構造を効果的にサンプリングできるか？
• RQ2 ドメインにインspiredされた構造的分解（空間群、成分、格子定数）は、物理的・化学的制約のより良い統合を可能にするか？
• RQ3 生成エネルギーの代理モデルで訓練された GFlowNet は、ランダムまたは無誘導のサンプリングに比べ、安定した結晶の生成で優れているか？
• RQ4 モデルは、空間群、成分、格子定数の各側面でどれほど多様性を維持しているか？
• RQ5 このフレームワークは、生成エネルギー以外の目的の性質の統合が可能か？

主な発見

• Crystal-GFN は、中央値予測生成エネルギーが -3.1 eV/原子である 10,000 個の結晶構造をサンプリングし、バリデーションセットの中央値よりも顕著に低い値を示した。
• サンプリングされた結晶の 95% が -2 eV/原子未満の予測生成エネルギーを示しており、安定で低エネルギーな構造への強いバイアスがあることが示された。
• モデルは高い構造的多様性を達成した：周期表の 12 種の元素すべてが登場し、100 個の低エネルギーサンプルのうち 10 種が含まれ、230 個の空間群のうち 80 個（70%）がサンプリングされた。
• モデルは 8 つの結晶格子系のうち 5 つ、およびトップ 100 サンプルにおける全 5 種の点対称性をカバーしており、広範なカバレッジを示した。
• サンプリングされた結晶の格子定数分布は、MatBench データセットと同等であり、現実的な構造的サンプリングであることを示した。
• CPU 僅用のマシンでわずか 12 時間のトレーニング後でも、予測生成エネルギー分布が低エネルギー側へシフトしていることが確認された。