[논문 리뷰] Symmetry-Driven Generation of Crystal Structures from Composition

Shi Yin, Junyi Mu외 2명|arXiv (Cornell University)|2026. 02. 19.

Machine Learning in Materials Science인용 수 0

한 줄 요약

이 논문은 Wyckoff 사이트를 조합으로부터 할당하기 위해 대형 언어 모델을 이용하고 선형 시간의 빔 탐색과 확산 기반 3D 구조 생성을 결합한 대칭 구동 생성 프레임워크를 제시하여 템플릿에 의존하지 않고 SUN 지표와 매칭 비율에서 최신 성능을 달성합니다.

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.

연구 동기 및 목표

• composition 및 원자 수로부터 결정된 결정 대칭성을 강제하는 NP-hard 조합 문제에 대한 접근.
• 기존 템플릿이나 데이터베이스에 의존하지 않는 ab initio Wyckoff 사이트 할당 개발.
• 대칭 일관성 템플릿을 확산 백본에 통합하여 생성이 물리적으로 유효한 다양체로 수렴하도록 제약.
• 안정성, 고유성, 신규성(SUN) 향상과 함께 높은 지상 실측 매칭 비율 달성.

제안 방법

• 두 개의 Transformer 기반 LLM을 사용하여 구성으로부터 미세한 결정 대칭성 추론.
• LLM_g는 확장된 원자 시퀀스 C_atoms를 바탕으로 공간군 분포를 산출; S_g는 가장 가능성이 높은 공간군으로 선택.
• LLM_w는 FiLM을 통해 S_g에 조건화되어 S_g와 호환되는 Wyckoff 문자에 대한 확률을 출력.
• Wyckoff 문자 할당을 사이트 다중성 및 스토이키오메트리 제약을 강제하는 제약 최적화 문제(Eq. 3)로 형식화.
• 선형 복잡도 빔 탐색을 적용하여 지수적 완전 탐색 열거를 피하고 제약된 최적화를 해결.
• 예측된 공간군과 Wyckoff 템플릿을 그래프 신경망 백본과 대칭 일관 정정(격자 마스킹 및 좌표 투사)을 사용하여 확산 기반 3D 구조 생성을 안내.

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

실험 결과

연구 질문

• RQ1 구현된 템플릿에 의존하지 않고 조합으로부터 직접 대칭 일관 Wyckoff 사이트 할당을 도출할 수 있는가?
• RQ2 대수적 및 기하학적 대칭 제약을 강제하는 것이 안정성, 고유성, 신규성 측면에서 CSP 성능을 향상시키는가?
• RQ3 대칭 구동 생성 사용 시 표준 CSP 벤치마크에서 SUN 및 지상 실측 매칭 비율이 최신 기준선에 비해 어떤 차이를 보이는가?
• RQ4 3D 결정 생성용 확산 경로에 대칭 제약을 통합하는 것이 어떤 영향을 미치는가?

주요 결과

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

• 제안된 방법은 DiffCSP++에 비해 MP-20, Perov-5, MPTS-52 벤치마크에서 SUN 점수가 더 높게 나타납니다(안정성, 고유성, 신규성, 및 전체 SUN).
• MP-20에서 SUN이 우리 방법으로 14.55에서 35.58로 향상합니다(안정성 81.79, 고유성 100.0, 신규성 93.67).
• Perov-5에서 SUN이 73.39에서 92.42로 향상합니다(안정성 94.98, 고유성 100.0, 신규성 99.67).
• MPTS-52에서 SUN이 5.44에서 25.94로 향상합니다(안정성 42.43, 고유성 100.0, 신규성 70.53).
• 매칭 비율 벤치마크는 MP-20, Perov-5, MPTS-52 전반에서 우리 방법이 최신 결과를 달성하며 CDVAE, DiffCSP, CrystaLLM 벤치마스 및 DiffCSP++ 템플릿 기반 접근을 능가합니다.
• MP-20에서 매칭 비율: 우리 방법 81.70 대비 74.65 (DiffCSP++); Perov-5: 99.95 대비 99.84; MPTS-52: 43.26 대비 40.53.

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