[论文解读] MatterGPT: A Generative Transformer for Multi-Property Inverse Design of Solid-State Materials

Yan Chen, Xueru Wang+6 more|arXiv (Cornell University)|Aug 14, 2024

Manufacturing Process and Optimization被引用 13

一句话总结

MatterGPT 在下一个词元预测上训练一个生成式 Transformer，用以设计具有目标属性的原信息/全新固态材料，包含单一和多属性目标，使用 SLICES 晶体编码。

ABSTRACT

Inverse design of solid-state materials with desired properties represents a formidable challenge in materials science. Although recent generative models have demonstrated potential, their adoption has been hindered by limitations such as inefficiency, architectural constraints and restricted open-source availability. The representation of crystal structures using the SLICES (Simplified Line-Input Crystal-Encoding System) notation as a string of characters enables the use of state-of-the-art natural language processing models, such as Transformers, for crystal design. Drawing inspiration from the success of GPT models in generating coherent text, we trained a generative Transformer on the next-token prediction task to generate solid-state materials with targeted properties. We demonstrate MatterGPT's capability to generate de novo crystal structures with targeted single properties, including both lattice-insensitive (formation energy) and lattice-sensitive (band gap) properties. Furthermore, we extend MatterGPT to simultaneously target multiple properties, addressing the complex challenge of multi-objective inverse design of crystals. Our approach showcases high validity, uniqueness, and novelty in generated structures, as well as the ability to generate materials with properties beyond the training data distribution. This work represents a significant step forward in computational materials discovery, offering a powerful and open tool for designing materials with tailored properties for various applications in energy, electronics, and beyond.

研究动机与目标

• 应对固态材料中的反向设计挑战。
• 利用 SLICES 表记法将晶体结构以文本形式呈现，以便进行 NLP 风格建模。
• 在下一个词元预测任务上训练一个生成式 Transformer，以生成具有目标属性的结构。
• 展示单一属性和多属性反向设计能力。
• 提供一个开放、可扩展的计算材料发现工具。

提出的方法

• 将晶体结构表示为 SLICES 字符串，以实现对晶体的 NLP 建模。
• 在下一个词元预测任务上训练一个生成式 Transformer，以生成晶体字符串。
• 评估生成的结构的有效性、唯一性和新颖性。
• 展示对晶格无关（形成能）和晶格相关（带隙）属性的定向。
• 将模型扩展到晶体的多属性目标设计。

实验结果

研究问题

• RQ1 MatterGPT 能否生成符合目标属性的有效、唯一且新颖的晶体结构？
• RQ2 模型能否定向单一属性，如形成能和带隙？
• RQ3 MatterGPT 能否实现晶体的多属性反向设计？
• RQ4 该方法对超出训练数据分布的泛化能力有多强？

主要发现

• 该方法在生成结构方面实现了高有效性、唯一性和新颖性。
• MatterGPT 能够生成具有目标属性的原生晶体结构。
• 该模型既能针对晶格无关的属性（如形成能），也能针对晶格相关的属性（如带隙）。
• 该方法扩展到多属性设计，解决晶体的多目标反向设计。
• 该工作表明有潜力生成超出训练数据分布的具有特性材料。