[論文レビュー] Towards Symmetry-Aware Generation of Periodic Materials

Youzhi Luo, Chengkai Liu+1 more|arXiv (Cornell University)|Jul 6, 2023

Machine Learning in Materials Science被引用数 8

ひとこと要約

SyMatは、VAEを使用して原子種と格子を生成し、座標を生成するスコアベース拡散モデルを用いることで、3D周期材料の対称性認識生成を実現し、置換、回転、並進、および周期変換に対する不変性を保証します。

ABSTRACT

We consider the problem of generating periodic materials with deep models. While symmetry-aware molecule generation has been studied extensively, periodic materials possess different symmetries, which have not been completely captured by existing methods. In this work, we propose SyMat, a novel material generation approach that can capture physical symmetries of periodic material structures. SyMat generates atom types and lattices of materials through generating atom type sets, lattice lengths and lattice angles with a variational auto-encoder model. In addition, SyMat employs a score-based diffusion model to generate atom coordinates of materials, in which a novel symmetry-aware probabilistic model is used in the coordinate diffusion process. We show that SyMat is theoretically invariant to all symmetry transformations on materials and demonstrate that SyMat achieves promising performance on random generation and property optimization tasks. Our code is publicly available as part of the AIRS library (https://github.com/divelab/AIRS).

研究の動機と目的

• 目標は、物理対称性制約を尊重しつつ、ターゲット特性を持つ新規周期材料を生成する必要性を動機付けること。
• ユニットセルの記述と座標生成の両方で対称性を捉える生成フレームワークを提案すること。
• 特性最適化に適した、対称性に整合した有効な材料構造の生成を可能にすること。

提案手法

• 各周期材料をそのユニットセルデータ（A, P, L）で表現し、生成のためにAとLを対称性不変ターゲットへ変換する。
• 原子種集合と格子パラメータ（c, l, φ）の分布をモデル化する変分オートエンコーダを用いる。
• 座標PをAとLに条件づけて生成する、対称性認識スコア形式のスコアベース拡散モデルを採用する。
• 対称性を inherentに尊重するエッジ距離ベースのスコア関数を計算するためのユニットセル原子のマルチグラフを構築する。"
• ノイズ除去スコアマッチングと Langevin ダイナミクスによるサンプリングでスコアモデルを訓練し、並進的、回転的、周期的不変性を保証する。

実験結果

リサーチクエスチョン

• RQ1 周期材料を、従来の分子生成を超える対称変換（置換、回転、並進、周期性）を保持しながらどのように生成できるか。
• RQ2 VAEは周期材料の原子種と格子パラメータの対称性不変表現を効果的にモデルできるか。
• RQ3 対称性認識拡散プロセスは座標生成を改善し、信頼性のある特性最適化を可能にするか。

主な発見

• SyMatは周期材料に対するすべての対称変換に対する理論上の不変性を達成する。
• フレームワークはランダム生成タスクと特性最適化タスクの両方で有望な性能を示す。
• 原子種と格子は対称性不変ターゲット（原子種集合と格子長さ/角度）に対してVAEで生成される。
• 座標生成は対称性認識スコアベース拡散モデルを用い、エッジ距離スコアに基づいて不変性を保証する。
• 本手法は3つのベンチマークデータセットで競合力を示し、AIRSライブラリに公開コードを提供する。