[論文レビュー] FlowMM: Generating Materials with Riemannian Flow Matching

Benjamin Kurt Miller, Ricky T. Q. Chen+2 more|arXiv (Cornell University)|Jun 7, 2024

Advanced Materials and Mechanics被引用数 8

ひとこと要約

FlowMMはRiemannian Flow Matchingに基づく2つの生成モデルを導入し、CSPとDNGの結晶構造を共同生成する。拡散モデルよりも高い効率で最先端の性能を達成。

ABSTRACT

Crystalline materials are a fundamental component in next-generation technologies, yet modeling their distribution presents unique computational challenges. Of the plausible arrangements of atoms in a periodic lattice only a vanishingly small percentage are thermodynamically stable, which is a key indicator of the materials that can be experimentally realized. Two fundamental tasks in this area are to (a) predict the stable crystal structure of a known composition of elements and (b) propose novel compositions along with their stable structures. We present FlowMM, a pair of generative models that achieve state-of-the-art performance on both tasks while being more efficient and more flexible than competing methods. We generalize Riemannian Flow Matching to suit the symmetries inherent to crystals: translation, rotation, permutation, and periodic boundary conditions. Our framework enables the freedom to choose the flow base distributions, drastically simplifying the problem of learning crystal structures compared with diffusion models. In addition to standard benchmarks, we validate FlowMM's generated structures with quantum chemistry calculations, demonstrating that it is about 3x more efficient, in terms of integration steps, at finding stable materials compared to previous open methods.

研究の動機と目的

• 結晶材料の生成モデルの動機付けと進展を図り、CSPとDe Novo Generation (DNG) に対処する。
• 離散的な原子種、連続的な格子パラメータ、周期境界条件を扱う対称性を考慮した効率的な生成モデルを開発する。
• 量子化学検証と標準的な指標によって生成構造の安定性と品質を示す。

提案手法

• 平行移動、回転、置換、および周期境界条件を持つ結晶に対してRiemannian Flow Matchingを一般化する。
• 自然に妥当な単位胞をサンプルする基底分布と回転不変な結晶表現を用いる。
• 次元削減のためにDNGに対して二値の(-1,1) 原子種表現を採用する。
• 基底分布からターゲット分布への経路を生成する時刻発展ベクトル場を学習する連続正規化フロー(CNF)を訓練する。
• 結晶対称性（置換、平行移動、回転）の下で学習された密度が不変となるよう対称性不変性を課す。
• 標準指標と量子化学計算による熱力学的安定性チェックを用いてCSPとDNGを評価する。

実験結果

リサーチクエスチョン

• RQ1 FlowMMは与えられた組成に条件付けられた準安定結晶構造を信頼性高く予測できますか（CSP）？
• RQ2 FlowMMは新規の準安定材料（DNG）を、推論コストを削減しつつ既存手法と同等の安定性で生成できますか？
• RQ3 安定性率、新規性、計算効率の観点でFlowMMは拡散ベースのベースラインとどう比較されますか？
• RQ4 拡散モデルと比較して学習を簡略化するために、どの表現と基底分布が結晶幾何を最もよく表現しますか？

主な発見

• FlowMMはCSPとDNGのベンチマークで競合または最先端の性能を達成します。
• FlowMMは統合ステップを大幅に削減し、従来の公開手法より約3倍効率的に安定材料を見つけます。
• このフレームワークは生成構造を量子化学計算で検証し、他手法と同等の安定性を示しています。
• 回転不変な結晶表現と妥当な格子をサンプルする基底分布は、拡散モデルと比較して学習を単純化します。
• DNGのための二値原子種表現は、シンプレックス表現と比較して次元を劇的に削減し、元素数予測の精度を向上させます。
• MP-20およびMPTS-52データセットとユニットテストデータセットでの実験は、現実的および統制された設定の中でFlowMMの有効性を支持します。