[論文レビュー] MatLLMSearch: Crystal Structure Discovery with Evolution-Guided Large Language Models

Jingru Gan, Peichen Zhong+8 more|ArXiv.org|Feb 28, 2025

Machine Learning in Materials Science被引用数 4

ひとこと要約

MatLLMSearch は事前学習済みの LLM を進化的探索により導き、ファインチューニングなしで熱力学的に安定な結晶構造を生成します。ベースラインよりメタ安定性と安定性率が高く、トレーニング負荷を抑えます。,

ABSTRACT

Crystal structure generation is fundamental to materials science, enabling the discovery of novel materials with desired properties. While existing approaches leverage Large Language Models (LLMs) through extensive fine-tuning on materials databases, we show that pre-trained LLMs can inherently generate novel and stable crystal structures without additional fine-tuning. Our framework employs LLMs as intelligent proposal agents within an evolutionary pipeline that guides them to perform implicit crossover and mutation operations while maintaining chemical validity. We demonstrate that MatLLMSearch achieves a 78.38% metastable rate validated by machine learning interatomic potentials and 31.7% DFT-verified stability, outperforming specialized models such as CrystalTextLLM. Beyond crystal structure generation, we further demonstrate that our framework adapts to diverse materials design tasks, including crystal structure prediction and multi-objective optimization of properties such as deformation energy and bulk modulus, all without fine-tuning. These results establish our framework as a versatile and effective framework for consistent high-quality materials discovery, offering training-free generation of novel stable structures with reduced overhead and broader accessibility.

研究の動機と目的

• ファインチューニングなしで事前学習済みの LLM が熱力学的に安定な結晶構造を生成できることを示す。
• LLM ベースの再生を進化的選択と統合して、結晶構造空間を探索する。
• MLIPs および DFT による安定性予測を最先端のベースラインと比較して検証する。
• 結晶構造予測と多目的材料設計への適応性を示す。

提案手法

• 既知の安定構造から初期集団を形成する。
• LLMs に暗黙的クロスオーバーと変異を行わせて子個体を生成する。
• CHGNet で子個体を緩和・評価し、分解エネルギー E_d およびターゲット特性を計算する。
• 親・子・オプションの追加プールからの目的スコアに基づいて上位候補を選択する。
• 最も有望な構造について、DFT（VASP）による最終検証を行う。

実験結果

リサーチクエスチョン

• RQ1 ファインチューニングなしで事前学習済みの LLM が熱力学的に安定な結晶構造を生成できるのか。
• RQ2 LLM 誘導型進化ループは安定で多様な結晶構造を発見するのにどれほど有効か。
• RQ3 追加の参照プールがメタ安定性と DFT 検証済み安定性に与える影響は何か。
• RQ4 フレームワークを結晶構造予測と性質の多目的最適化へ拡張できるか。
• RQ5 MatLLMSearch は CrystalTextLLM のようなファインチューニング済みベースラインと安定性指標でどう比較されるか。

主な発見

• MatLLMSearch は CHGNet で 78.38% のメタ安定率、DFT 検証済み安定性 31.7% を達成し、同程度のモデルサイズの CrystalTextLLM を上回る。
• 数千の参照構造を用いることで、ベースラインを凌ぎつつ大規模なファインチューニングを回避できる。
• 親集団から f-電子を含む構造を除外するとメタ安定性は 78.4% / DFT 検証済み安定性 27.0% に改善し、f-電子を含まない安定構造は 24.6% に増加。
• このアプローチは結晶構造予測と多目的最適化（例：安定性と体積模数のバランス）をサポートする。
• 促進された暗黙のクロスオーバー/変異により、プロンプトに導かれた LLM は複数の結晶系にわたる多様な構造モチーフを生み出し、安定性評価を超える計算オーバーヘッドを最小限に抑える。