[논문 리뷰] MatLLMSearch: Crystal Structure Discovery with Evolution-Guided Large Language Models

Jingru Gan, Peichen Zhong외 8명|ArXiv.org|2025. 02. 28.

Machine Learning in Materials Science인용 수 4

한 줄 요약

MatLLMSearch는 진화적 검색으로 안내되는 사전 학습된 LLM을 사용해 미세 조정 없이 열역학적으로 안정한 결정 구조를 생성하고, 베이스라인보다 더 높은 메타안정성과 안정성 비율을 달성하는 한편 학습 오버헤드를 줄입니다.

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.

연구 동기 및 목표

• 사전 학습된 LLM이 미세 조정 없이 열역학적으로 안정한 결정 구조를 생성할 수 있음을 입증한다.
• 결정 구조 공간을 탐색하기 위해 LLM 기반 재생산을 진화적 선택과 통합하여 탐색한다.
• MLIPs와 DFT로 안정성 예측을 검증하고 최첨단 베이스라인과 비교한다.
• 결정 구조 예측 및 다목적 재료 설계에 대한 적응력을 보여준다.

제안 방법

• 알려진 안정한 구조로부터 초기 개체군을 형성한다.
• 자손을 생성하기 위해 암시적 교차와 돌연변이를 수행하도록 LLM에 프롬프트를 제공한다.
• CHGNet으로 자손을 이완시키고 평가하며 분해에너지 E_d와 목표 특성을 계산한다.
• 부모, 자손, 선택적 추가 풀에서의 객체 점수를 기준으로 상위 후보를 선발한다.
• 가장 유망한 구조에 대해 DFT(VASP)로 최종 검증한다.

실험 결과

연구 질문

• RQ1 사전 학습된 LLM은 미세 조정 없이 열역학적으로 안정한 결정 구조를 생성할 수 있는가?
• RQ2 LLM 유도 진화 루프가 안정적이고 다양한 결정 구조를 발견하는 데 얼마나 효과적인가?
• RQ3 추가 참조 풀의 메타안정성과 DFT로 검증된 안정성에 미치는 영향은 무엇인가?
• RQ4 이 프레임워크가 결정 구조 예측 및 특성의 다목적 최적화로 확장될 수 있는가?
• RQ5 CrystalTextLLM 같은 미세 조정 베이스라인과 비교했을 때 안정성 지표에서 MatLLMSearch는 어떤 차이가 있는가?

주요 결과

• MatLLMSearch는 CHGNet으로 78.38%의 메타안정성 비율과 31.7%의 DFT 검증 안정성을 달성하여 유사 모델 크기에서 CrystalTextLLM을 능가한다.
• 수천 개의 참조 구조를 사용해 대규모 미세 조정 없이도 기준치를 능가한다.
• 부모에서 f-전자 포함 구조를 제외하면 메타안정성이 78.4%로 증가하고 27.0%의 DFT 검증 안정성을 얻으며; f-전자 없는 안정한 구조는 24.6%로 증가한다.
• 이 접근법은 결정 구조 예측 및 다목적 최적화(예: 안정성과 벌크 탄성 모듈러스의 균형)를 지원한다.
• 프롬프트에 의해 유도된 LLM의 암시적 교차/돌연변이는 결정 시스템 전반에 걸쳐 다양한 구조 모티프를 가능케 하며, 안정성 평가를 넘어서는 계산 오버헤드는 최소화된다.