[논문 리뷰] MatterGen: a generative model for inorganic materials design

Claudio Zeni, Robert Pinsler외 19명|arXiv (Cornell University)|2023. 12. 06.

Machine Learning in Materials Science인용 수 69

한 줄 요약

MatterGen은 확산 기반 생성 모델로서 안정적이고 다양한 무기 재료를 생성하며, 목표 화학성, 대칭성 및 스칼라 특성에 맞게 미세 조정이 가능하다.

ABSTRACT

The design of functional materials with desired properties is essential in driving technological advances in areas like energy storage, catalysis, and carbon capture. Generative models provide a new paradigm for materials design by directly generating entirely novel materials given desired property constraints. Despite recent progress, current generative models have low success rate in proposing stable crystals, or can only satisfy a very limited set of property constraints. Here, we present MatterGen, a model that generates stable, diverse inorganic materials across the periodic table and can further be fine-tuned to steer the generation towards a broad range of property constraints. To enable this, we introduce a new diffusion-based generative process that produces crystalline structures by gradually refining atom types, coordinates, and the periodic lattice. We further introduce adapter modules to enable fine-tuning towards any given property constraints with a labeled dataset. Compared to prior generative models, structures produced by MatterGen are more than twice as likely to be novel and stable, and more than 15 times closer to the local energy minimum. After fine-tuning, MatterGen successfully generates stable, novel materials with desired chemistry, symmetry, as well as mechanical, electronic and magnetic properties. Finally, we demonstrate multi-property materials design capabilities by proposing structures that have both high magnetic density and a chemical composition with low supply-chain risk. We believe that the quality of generated materials and the breadth of MatterGen's capabilities represent a major advancement towards creating a universal generative model for materials design.

연구 동기 및 목표

• 주기율표 전반에 걸친 안정적인 무기 결정의 빠른 역설계 필요성을 다룬다.
• 결정 재료에 맞춘 확산 기반 생성 프로세스를 개발하기 위해 원자 유형, 좌표, 격자를 함께 노이즈 제거한다.
• 특정 화학성, 대칭성, 스칼라 특성 제약에 맞춰 생성 방향을 제시하기 위해 어댑터 모듈을 통해 미세 조정한다.
• MatterGen이 더 신생적이고 안정적인 구조를 생성하고 이전 모델보다 국부 에너지 최저점에 더 가까워진다는 것을 보여준다.

제안 방법

• 물리적으로 동기화된 노이즈 분포를 사용하여 원자 유형, 좌표, 격자를 손상시키는 확산 기반 생성 프로세스를 제안한다.
• (베이스 모델) 원자 유형, 좌표, 격자를 함께 노이즈 제거하기 위해 등변 점수 네트워크를 사용한다.
• 레이블링된 특성 데이터 세트에 대한 미세 조정을 위한 어댑터 모듈을 도입하고 분류기-프리 가이던스를 적용하여 출력을 조정한다.
• 20개 원자까지의 607,684개 안정 구조의 대규모 다양한 데이터 세트(Alex-MP-ICSD)에서 사전 학습하고 안정성을 0.1 eV/원자 임계값으로 정의한다.
• 목표 화학성, 대칭성(공간군), 스칼라 특성(예: 자기 밀도, 밴드 간격, 벌크 계수)으로 미세 조정한다.
• CDVAE, P-G-SchNet, G-SchNet, FTCP 등의 벤치마크와 비교하여 안정성, 참신성 및 이완 구조까지의 거리에서 이익을 보인다.

실험 결과

연구 질문

• RQ1 MatterGen이 다양한 원소와 화학식 조성에서 안정적인 무기 재료를 생성할 수 있는가?
• RQ2 베이스 모델이 어댑터를 통해 목표 화학성, 대칭성, 스칼라 특성으로 얼마나 잘 조정될 수 있는가?
• RQ3 MatterGen은 이전 생성 모델에 비해 안정성, 참신성 및 국소 에너지 최소점까지의 거리 측면에서 어떤 성능을 보이는가?
• RQ4 MatterGen이 다중 제약조건을 만족하면서 저자적 공급망 리스크가 낮은 자성체와 같은 다중 특성 재료를 설계할 수 있는가?

주요 결과

• 생성된 구조의 78%가 Alex-MP-ICSD 기준 hull보다 0.1 eV/원자 아래에 위치하며(13%는 0.0 eV/원자 아래에 위치한다).
• 생성된 구조의 75%가 hull보다 0.1 eV/원자 아래에 위치하며 Alex-MP-ICSD hull을 사용한다.
• 생성된 구조의 95%가 이완된 구조에 대한 이완 RMSD가 0.076 Å 미만이다.
• MatterGen은 1,000개 구조를 생성할 때 86%의 참신성 및 100% 고유성을 보이며, 참신성은 1,000,000개 구조까지 대략 68%로 안정적으로 유지된다.
• MatterGen-MP(MP-20에서 학습)은 CDVAE에 비해 구조 비율이 1.8배 높고 이완까지의 평균 거리도 3.1배 작아; 전체 MatterGen은 더 큰 개선을 보이며(1.6배 높고 5.5배 작아).
• 미세 조정된 MatterGen은 목표 화학 시스템에서 더 높은 hull 제약 안정성과 고유 hull 위치를 가진 재료를 발견할 수 있으며, 특히 다원계에서 효율성 이점이 큰 경우가 많다.