[논문 리뷰] Crystal-GFN: sampling crystals with desirable properties and constraints

Mila AI Science, :외 12명|ArXiv.org|2023. 10. 07.

Machine Learning in Materials Science인용 수 5

한 줄 요약

Crystal-GFN은 형성 에너지 프록시 모델로 훈련된 GFlowNet 프레임워크를 사용하여 공간군, 조성, 격자 매개변수를 순차적으로 생성함으로써 결정 구조를 생성하는 생성 모델이다. 이 모델은 원자당 -3.1 eV의 중앙 예측 형성 에너지를 달성하며, 95%가 -2 eV/atom 이하인 매우 다양한 안정된 결정을 생성하여 재료 발견을 위한 효과적이고 제약 인식 기반의 생성을 입증한다.

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.

연구 동기 및 목표

• 안정적인 무기 결정을 효율적으로 발견하기 위해 목적에 맞는 물리화학적 성질을 가진 결정을 빠르게 탐색하는 것.
• 복잡한 물리적 및 화학적 제약 조건 하에서 유효하고 다양한 안정된 결정 구조를 생성하는 데 도전하는 것.
• 도메인 기반 순차적 생성 프로세스를 통해 효율적이고 제약 인식 기반의 결정 구조 샘플링을 가능하게 하는 것.
• 형성 에너지 기반의 학습된 보상 함수가 낮은 에너지, 안정된 후보를 향해 모델을 이끌 수 있음을 입증하는 것.
• 임의의 성능 예측 모델과 하드 제약 조건을 통합할 수 있는 융통성 있는 프레임워크를 제공하는 것.

제안 방법

• Crystal-GFN은 공간군(정육면체 격자계와 점 대칭성으로 정의됨), 조성(요소 종류 및 수량), 격자 매개변수(a, b, c, α, β, γ)의 세 가지 구조적 구성요소에 대해 순차적 생성 프로세스를 사용한다.
• 모델은 학습된 보상 함수에 비례하여 샘플링하는 GFlowNet 프레임워크를 활용하여 다양한 구조와 목표 지향적 생성을 가능하게 한다.
• MatBench 데이터셋 기반으로 훈련된 프록시 기계학습 모델이 원자당 형성 에너지를 예측하며, 이는 훈련 중 보상 함수로 사용된다.
• 하드 제약 조건은 전하 중성, 조성과 공간군 간의 호환성, 공간군과 격자 매개변수 간의 일관성 등 여러 수준에서 통합된다.
• 훈련은 프록시 모델의 예측 결과를 목표로 하여 CPU 전용 환경에서 12시간 동안 수행된다.
• 훈련 후 10,000개의 결정 구조가 샘플링되어 다양성과 예측된 형성 에너지를 평가한다.

실험 결과

연구 질문

• RQ1 생성 모델이 낮은 예측 형성 에너지를 가진 다양한 결정 구조를 효과적으로 샘플링할 수 있는가?
• RQ2 공학적 인사이트를 반영한 구조 분해(공간군, 조성, 격자 매개변수)가 물리적 및 화학적 제약 조건을 더 잘 통합할 수 있는가?
• RQ3 프록시 형성 에너지 모델로 훈련된 GFlowNet이 무작위 또는 지도 없는 샘플링보다 안정된 결정을 더 잘 생성할 수 있는가?
• RQ4 모델이 공간군, 조성, 격자 매개변수 전반에 걸쳐 얼마나 높은 다양성을 유지하는가?
• RQ5 이 프레임워크는 형성 에너지 이외의 다른 목표 성질을 통합하는 데 확장 가능한가?

주요 결과

• Crystal-GFN은 원자당 -3.1 eV의 중앙 예측 형성 에너지를 가진 10,000개의 결정 구조를 샘플링하였으며, 이는 검증 세트의 중앙값보다 현저히 낮다.
• 샘플된 결정의 95%가 -2 eV/atom 이하의 예측 형성 에너지를 가지며, 이는 낮은 에너지, 안정된 구조로의 강한 편향을 나타낸다.
• 모델은 높은 구조적 다양성을 달성하였으며, 주기율표의 12개 원소 모두가 포함되어 있고, 100개의 저에너지 샘플 중 10개가 등장하며, 230개의 공간군 중 80개(70%)가 샘플링되었다.
• 모델은 8개의 격자계 중 5개와 상위 100개 샘플 내에서 모든 5개의 점 대칭성을 포함하여 광범위한 커버리지를 보였다.
• 샘플된 결정의 격자 매개변수 분포는 MatBench 데이터셋과 유사하여 현실적인 구조 샘플링을 보여준다.
• 단지 CPU 전용 머신에서 12시간의 훈련 후에도 예측 형성 에너지 분포가 낮은 값 쪽으로 이동하는 것을 성공적으로 시연하였다.