[論文レビュー] MatterGPT: A Generative Transformer for Multi-Property Inverse Design of Solid-State Materials

Yan Chen, Xueru Wang+6 more|arXiv (Cornell University)|Aug 14, 2024

Manufacturing Process and Optimization被引用数 13

ひとこと要約

MatterGPTは、SLICES結晶エンコードを用いて、単一および複数の特性目標を含む、ターゲット特性を持つデノボ固体材料を設計するために、次トークン予測で生成型Transformerを訓練します。

ABSTRACT

Inverse design of solid-state materials with desired properties represents a formidable challenge in materials science. Although recent generative models have demonstrated potential, their adoption has been hindered by limitations such as inefficiency, architectural constraints and restricted open-source availability. The representation of crystal structures using the SLICES (Simplified Line-Input Crystal-Encoding System) notation as a string of characters enables the use of state-of-the-art natural language processing models, such as Transformers, for crystal design. Drawing inspiration from the success of GPT models in generating coherent text, we trained a generative Transformer on the next-token prediction task to generate solid-state materials with targeted properties. We demonstrate MatterGPT's capability to generate de novo crystal structures with targeted single properties, including both lattice-insensitive (formation energy) and lattice-sensitive (band gap) properties. Furthermore, we extend MatterGPT to simultaneously target multiple properties, addressing the complex challenge of multi-objective inverse design of crystals. Our approach showcases high validity, uniqueness, and novelty in generated structures, as well as the ability to generate materials with properties beyond the training data distribution. This work represents a significant step forward in computational materials discovery, offering a powerful and open tool for designing materials with tailored properties for various applications in energy, electronics, and beyond.

研究の動機と目的

• 固体材料における逆設計の課題に取り組む。
• NLP風モデリングのために結晶構造をテキストとして表現するSLICES表記を活用する。
• ターゲット特性を持つ構造を生成するため、次トークン予測で生成型Transformerを訓練する。
• 単一特性および複数特性の逆設計機能を示す。
• 計算材料探索のためのオープンでスケーラブルなツールを提供する。

提案手法

• 結晶構造をSLICES文字列として表現し、結晶のNLPモデリングを可能にする。
• 結晶文字列を生成するため、次トークン予測タスクで生成型Transformerを訓練する。
• 生成された構造を妥当性、独自性、新規性について評価する。
• 格子に不変（形成エネルギー）および格子に敏感（バンドギャップ）の特性をターゲットにすることを示す。
• 結晶の多目的設計へモデルを拡張する。

実験結果

リサーチクエスチョン

• RQ1 MatterGPTは、ターゲット特性を満たす妥当で独自性があり新規性のある結晶構造を生成できるか？
• RQ2 このモデルは形成エネルギーやバンドギャップなどの単一特性をターゲットにできるか？
• RQ3 MatterGPTは結晶の多特性逆設計を達成できるか？
• RQ4 このアプローチは訓練データ分布を超えてどれだけ一般化できるか？

主な発見

• このアプローチは、生成された構造の妥当性、独自性、および新規性を高く達成する。
• MatterGPTは、ターゲット特性を持つデノボ結晶構造を生成できる。
• モデルは、格子に不変な特性と格子に敏感な特性の両方をターゲットにできる（例：形成エネルギーとバンドギャップ）。
• この手法は多特性設計へ拡張され、結晶の多目的逆設計に対応する。
• この研究は、訓練データ分布を超える特性を持つ材料を生成する可能性を示している。