[论文解读] Physics Guided Deep Learning for Generative Design of Crystal Materials with Symmetry Constraints

Yong Zhao, Edirisuriya M. Dilanga Siriwardane+5 more|arXiv (Cornell University)|Mar 27, 2022

Machine Learning in Materials Science被引用 5

一句话总结

该论文提出了一种物理引导的深度生成模型 PGCGM，采用基于 GAN 的框架，用于设计具有高结构有效性与对称性约束的新颖晶体材料。通过整合晶体学对称性与基于 DFT 的物理约束，PGCGM 的生成有效性较 FTCP 提高超过 700%，并生成了 1,869 种稳定材料，其中 39.6% 的材料具有低于 0.25 eV/atom 的能量-上-Hull 值，表明热力学稳定性。

ABSTRACT

Discovering new materials is a challenging task in materials science crucial to the progress of human society. Conventional approaches based on experiments and simulations are labor-intensive or costly with success heavily depending on experts' heuristic knowledge. Here, we propose a deep learning based Physics Guided Crystal Generative Model (PGCGM) for efficient crystal material design with high structural diversity and symmetry. Our model increases the generation validity by more than 700\% compared to FTCP, one of the latest structure generators and by more than 45\% compared to our previous CubicGAN model. Density Functional Theory (DFT) calculations are used to validate the generated structures with 1,869 materials out of 2,000 are successfully optimized and deposited into the Carolina Materials Database \url{www.carolinamatdb.org}, of which 39.6\% have negative formation energy and 5.3\% have energy-above-hull less than 0.25 eV/atom, indicating their thermodynamic stability and potential synthesizability.

研究动机与目标

• 为克服传统试错法与高通量虚拟筛选（HTVS）在材料发现中的局限性，实现数据高效、生成式的新型晶体结构设计。
• 通过将晶体学对称性与基于 DFT 的物理约束嵌入深度生成模型，解决生成结构有效且物理稳定的挑战。
• 在复杂非立方材料方面，超越现有模型（如 FTCP 与 CubicGAN）的生成有效性与结构多样性。
• 利用 DFT 计算验证生成材料，并将稳定候选材料存入卡罗来纳材料数据库以实现开放获取与未来使用。
• 提供一种可扩展、可微分的逆向晶体设计框架，尊重原子相互作用、对称性与热力学稳定性。

提出的方法

• PGCGM 框架采用条件生成对抗网络（cGAN），通过学习受晶体对称性与组成条件约束的潜在空间，生成晶体结构。
• 晶体结构通过空间群信息导出的基原子位置与仿射变换矩阵进行编码，实现在不同对称性下的统一表示。
• 模型采用可微分的对称性感知坐标生成过程（算法 1），将基原子位置映射至原胞内的唯一原子位置，同时保持晶体学约束。
• 在后处理阶段强制实施物理约束，如最小原子间距（>0.5 Å）、电荷中性以及基于 DFT 的能量验证，以确保结构有效性。
• 生成器通过结合对抗损失、重建损失与物理约束惩罚的损失函数进行训练，以提升样本质量与稳定性。
• 利用 DFT 计算（通过 pymatgen 与 VASP）验证生成结构，包括生成能与能量-上-Hull 分析，以评估热力学稳定性。

实验结果

研究问题

• RQ1 与最先进的方法（如 FTCP 与 CubicGAN）相比，物理引导的深度生成模型是否能显著提升生成晶体结构的有效性与多样性？
• RQ2 对称性约束与物理规则在深度生成模型中是否能有效嵌入，以确保结构与热力学合理性？
• RQ3 该模型在仅通过潜在空间采样下，能否生成超越已知结构原型的新颖稳定晶体材料？
• RQ4 集成基于 DFT 的验证对结构弛豫成功率与生成材料热力学稳定性的影响如何？
• RQ5 该模型能否在保持物理一致性与对称性约束的前提下，生成具有高度结构多样性的材料？

主要发现

• PGCGM 的生成有效性较 FTCP 提高超过 700%，且较先前的 CubicGAN 模型提高 45% 以上，显著提升了结构正确性。
• 在 2,000 种生成材料中，有 1,869 种通过 DFT 成功弛豫并存入卡罗来纳材料数据库，表明其具有高度的实际可行性。
• 39.6% 的生成材料具有负生成能，表明其热力学稳定；其中 5.3% 的能量-上-Hull 值 < 0.25 eV/atom，提示具有潜在可合成性。
• 该模型成功生成了涵盖多种空间群与晶系的材料，不限于立方对称性，展现出广泛的适用性。
• 生成材料与真实材料属性分布（最小/最大原子间距、密度）之间的 Wasserstein 距离显著降低，表明属性对齐更优。
• 可微分对称性处理与 DFT 验证的集成，实现了可扩展、物理一致且多样的晶体生成，且几乎无需人工干预。