[论文解读] Average Minimum Distances of periodic point sets

Daniel E. Widdowson, Marco M. Mosca+3 more|arXiv (Cornell University)|Sep 5, 2020

Image Processing and 3D Reconstruction被引用 12

一句话总结

本文提出了平均最小距离（AMD），这是一种针对周期性点集的无限连续等距不变量序列，可实现对晶体结构中相似性的鲁棒量化。通过点积 packing 系数表征 AMD 的渐近行为，该方法提供了一种连续且稳定的替代方案，取代了离散对称性基不变量，从而在大规模模拟中高效检测近似重复的晶体结构。

ABSTRACT

Periodic sets of points model all solid crystalline materials (crystals) by representing atoms as labeled points. Crystal structures are determined in a rigid form and are considered up to rigid motions or isometries. Modern tools of Crystal Structure Prediction output thousands of simulated structures, though only few of them can be really synthesized. The first obstacle is the presence of many near duplicate structures that can not be efficiently recognized on the fly by past tools. To continuously quantify a similarity between periodic sets, their isometry invariants should be continuous under perturbations when all discrete invariants such as symmetry groups can break down. This paper studies the isometry classification problem for periodic sets with the new continuity requirement and introduces the Average Minimum Distances, which form an infinite sequence of continuous isometry invariants. Their asymptotic behaviour for a wide class of sets is explicitly described in terms of a point packing coefficient. All results are illustrated by experiments on large datasets of crystals.

研究动机与目标

• 解决在大规模晶体结构预测数据集中识别近似重复晶体结构的挑战，其中传统离散不变量在扰动下失效。
• 开发在小扰动下保持连续的等距不变量，确保即使在对称性群失效时也能实现稳定的相似性量化。
• 为利用连续不变量对周期性点集进行数学上严谨的分类提供框架，以反映结构相似性。
• 通过点积 packing 系数表征这些不变量在一大类周期性集合中的渐近行为。
• 通过实证验证，在大规模晶体数据集上展示该方法的实际效用。

提出的方法

• 提出一种称为平均最小距离（AMD）的无限连续等距不变量序列，其基于周期性点集中每个点到其第 k 个最近邻的平均距离推导而来。
• 将 AMD 定义为周期性点集的连续函数，确保在小扰动下保持稳定，与空间群等离散不变量不同。
• 分析当邻居数 k 增大时 AMD 的渐近行为，表明其收敛到由点积 packing 系数决定的值。
• 引入点积 packing 系数作为结构描述符，用于表征 AMD 序列的长期增长速率。
• 将 AMD 框架应用于大规模模拟晶体结构数据集，以评估其在检测近似重复结构方面的性能。
• 通过数值实验验证 AMD 的连续性与区分能力，相较于标准对称性分类方法具有优势。

实验结果

研究问题

• RQ1 如何使周期性点集的等距不变量在扰动下保持连续，以实现鲁棒的相似性量化？
• RQ2 在周期性集合中，平均最小距离序列的渐近行为是什么？如何从数学上对其进行表征？
• RQ3 点积 packing 系数能否作为超越对称性群的周期性集合分类的有意义描述符？
• RQ4 AMD 框架在大规模模拟数据集中识别近似重复晶体结构方面的有效性如何？
• RQ5 AMD 不变量在扰动下检测结构相似性的表现，相较于传统离散不变量有多大优势？

主要发现

• 平均最小距离形成了一组在小扰动下保持稳定的连续等距不变量序列，克服了空间群等离散不变量的不连续性问题。
• AMD 的渐近行为可通过点积 packing 系数明确描述，该系数量化了周期性集合中点的密度与排列方式。
• 点积 packing 系数提供了一种结构描述符，可捕捉长程有序性，并实现超越对称性方法的分类能力。
• 在大规模晶体数据集上的实证实验表明，AMD 能有效识别出仅靠对称性无法区分的近似重复结构。
• 该方法可高效过滤晶体结构预测流程中的冗余结构，降低计算开销。
• AMD 的连续性确保了在原子位置发生微小扰动时仍能实现可靠的相似性度量，这对真实材料数据具有关键意义。