[论文解读] 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 8

一句话总结

SyMat 通过使用 VAE 生成原子类型和晶格，并通过分数扩散模型生成坐标，来实现对称性感知的三维周期材料生成，确保对置换、旋转、平移和周期变换的不变性。

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).

研究动机与目标

• 在尊重物理对称性约束的同时，说明生成具有目标性质的新型周期材料的必要性。
• 提出一个生成框架，在单位胞描述和坐标生成中都捕捉对称性。
• 实现生成有效且与对称性一致的材料结构，适合进行性质优化。

提出的方法

• 用单位胞数据 (A, P, L) 表示每个周期材料，并将 A 和 L 转换为对称性不变的生成目标。
• 使用变分自编码器（VAE）来建模原子类型集合和晶格参数（c, l, φ）的分布。
• 采用基于分数扩散的模型，在给定 A 和 L 的条件下生成坐标 P，并采用对称性感知的分数形式。
• 构建单位胞原子多图，以计算基于边距距离的分数函数，天然地尊重对称性。
• 通过去噪分数匹配和 Langevin 动力学进行采样来训练分数模型；确保平移、旋转和周期性不变性。

实验结果

研究问题

• RQ1 如何在保持对称性变换（置换、旋转、平移、周期性）同时生成周期材料，超越传统分子生成的方法？
• RQ2 VAE 能否有效建模周期材料的对称性不变表示（原子类型和晶格参数）？
• RQ3 对称性感知扩散过程是否能提升坐标生成并实现可靠的性质优化？

主要发现

• SyMat 在周期材料上实现了对所有对称变换的理论不变性。
• 该框架在随机生成任务和性质优化任务上显示出有希望的性能。
• 原子类型和晶格通过对称性不变目标（原子类型集合和晶格长度/角度）进行 VAE 生成。
• 坐标生成使用基于边距距离分数的对称性感知扩散模型，以确保不变性。
• 该方法在三个基准数据集上具有竞争力，并在 AIRS 库中提供公开代码。