[論文レビュー] Symmetry-Driven Generation of Crystal Structures from Composition

Shi Yin, Junyi Mu+2 more|arXiv (Cornell University)|Feb 19, 2026

Machine Learning in Materials Science被引用数 0

ひとこと要約

この論文は、 Wyckoffサイトを組成から割り当てる大規模言語モデルを用いた対称性主導の結晶構造予測生成フレームワークを提案し、線形時間ビーム探索と拡散ベースの3D構造生成を組み合わせ、テンプレートに依存せずに最先端の SUN 指標と適合率を達成する。

ABSTRACT

Crystal structure prediction (CSP), which aims to predict the three-dimensional atomic arrangement of a crystal from its composition, is central to materials discovery and mechanistic understanding. However, given the composition in a unit cell, existing methods struggle with the NP-hard combinatorial challenge of rigorous symmetry enforcement or rely on retrieving known templates, which inherently limits both physical fidelity and the ability to discover genuinely new materials. To solve this, we propose a symmetry-driven generative framework. Our approach leverages large language models to encode chemical semantics and directly generate fine-grained Wyckoff patterns from atomic stoichiometry, effectively circumventing the limitations inherent to database lookups. Crucially, to overcome the exponentially complex problem of combinatorial site assignments, we incorporate domain knowledge through an efficient, linear-complexity heuristic beam search algorithm that rigorously enforces algebraic consistency between site multiplicities and atomic stoichiometry. By integrating this symmetry-consistent template into a diffusion backbone, our approach constrains the stochastic generative trajectory to a physically valid geometric manifold. This framework achieves state-of-the-art performance across stability, uniqueness, and novelty (SUN) benchmarks, alongside superior matching performance, thereby establishing a new paradigm for the rigorous exploration of targeted crystallographic space which can be previously uncharted, with no reliance on a priori structural knowledge.

研究の動機と目的

• 組成と原子数から結晶対称性を強制する NP困難な組合せ最適化の課題に対処する。
• 既存のテンプレートやデータベースに頼らず、ab initio の Wyckoff サイト割り当てを開発する。
• 対称性に整合したテンプレートを拡散バックボーンに統合し、生成を物理的に有効な多様体へ制約する。
• 安定性、唯一性、および新規性（SUN）を向上させつつ、高い ground-truth マッチング率を達成する。

提案手法

• 2つの Transformer ベースの LLM を用いて組成から微細な結晶対称性を推定する。
• LLM_g は展開された原子列 C_atoms に基づく空間群分布を出力し、S_g は最も確率の高い空間群として選択される。
• LLM_w は FiLM によって S_g に条件付けられ、S_g と互換性のある Wyckoff 記号の確率を出力する。
• Wyckoff 記号割り当てを、部位重数と組成制約を課す制約付き最適化問題（Eq. 3）として定式化する。
• 線形計算量のビーム探索を適用して制約付き最適化を解き、指数的な総当たり探索を回避する。
• 予測された空間群と Wyckoff テンプレートを用いて、グラフニューラルネットワークバックボーンと対称性整合の整正（格子マスクと座標射影）を使用して、拡散ベースの3D構造生成を導く。

Figure 1 : Schematic of the proposed symmetry-driven generative framework.

実験結果

リサーチクエスチョン

• RQ1 組成から retrieved テンプレートに依存せず、ab initio かつ対称性に整合した Wyckoff サイト割り当てを直接導出できるか。
• RQ2 代数的・幾何学的対称性制約を強制することは、安定性、唯一性、および新規性の観点で CSP の性能を向上させるか。
• RQ3 対称性主導の生成を使用した場合、SUN と ground-truth マッチング率は標準的な CSP ベースラインと比較してどのように変化するか。
• RQ4 3D結晶生成の拡散軌道に対する対称性制約の組み込みは生成にどのような影響を及ぼすか。

主な発見

Dataset	Method	Stability	Uniqueness	Novelty	SUN
MP-20	DiffCSP++	36.51	100.0	54.82	14.55
MP-20	Ours	81.79	100.0	93.67	35.58
Perov-5	DiffCSP++	75.77	100.0	99.52	73.39
Perov-5	Ours	94.98	100.0	99.67	92.42
MPTS-52	DiffCSP++	11.95	100.0	45.97	5.44
MPTS-52	Ours	42.43	100.0	70.53	25.94

• DiffCSP++ と比較して、提案手法は MP-20、Perov-5、MPTS-52 のベンチマークで SUN スコアが高い（安定性、唯一性、新規性、および全体の SUN）。
• MP-20 では、当手法により SUN が 14.55 から 35.58 に改善（安定性 81.79、唯一性 100.0、新規性 93.67）。
• Perov-5 では、SUN が 73.39 から 92.42 に改善（安定性 94.98、唯一性 100.0、新規性 99.67）。
• MPTS-52 では、SUN が 5.44 から 25.94 に改善（安定性 42.43、唯一性 100.0、新規性 70.53）。
• マッチングレートのベンチマークは、MP-20、Perov-5、MPTS-52 の全体で最先端の結果を達成し、CDVAE、DiffCSP、CrystaLLM のベースラインおよび DiffCSP++ のテンプレートベース手法を上回る。
• MP-20 では、Matching Rate: 当手法 81.70 vs 74.65（DiffCSP++）。Perov-5: 99.95 vs 99.84；MPTS-52: 43.26 vs 40.53。）

(a) Retrieved and Prediction results of DiffCSP++.