SyMat周期性材料生成模型

casjxm

SyMat（Symmetry-AwareMaterial Generation）是一种专为周期性材料生成设计的深度学习模型，通过显式捕捉材料的物理对称性（置换、旋转、平移和周期性变换），显著提升了生成材料的化学合理性和结构稳定性。

​

1. 研究背景与动机​

周期性材料（如晶体）由重复的晶胞单元构成，其对称性要求生成模型需满足：

• ​置换不变性​：原子顺序不影响材料表示。
• ​旋转/平移不变性​：空间变换不改变材料本质结构。
• ​周期性不变性​：原子坐标在晶格周期性平移下等价。
       现有分子生成模型（如CDVAE）无法完全满足这些约束，导致生成材料的结构失真或化学性质不合理。
  

​

2. 模型架构​

SyMat采用分阶段生成策略，将材料 M=(A,P,L)分解为：

• ​原子类型 A和晶格 L：由变分自编码器（VAE）生成。
• ​原子坐标 P​​：由分数扩散模型生成，以 A和 L为条件。
  

​2.1 原子类型与晶格生成（VAE）​​

• ​对称性处理​：
  
  • 原子类型 A转化为无序集合 c={(ei,ni)}（原子类型 ei及其数量 ni），保证置换不变性。
  • 晶格 L分解为长度 ℓ=[ℓ1,ℓ2,ℓ3] 和角度 ϕ=[ϕ12,ϕ13,ϕ23]，保证旋转不变性。
    
• ​网络结构​：
       对称感知的3D图神经网络（SphereNet）编码材料，输出潜变量 zA和 zL；解码器通过MLP预测 c、ℓ和 ϕ。
  

​2.2 原子坐标生成（分数扩散模型）​​

• ​对称性核心创新​：
       通过多图表示（Multi-Graph）将坐标分数∇P​logp(P∣A,L) 转化为边距离分数si,j,k：
  

                              

其中 si,j,k由SphereNet预测，天然满足旋转/平移/周期性不变性。

• ​训练与生成​：
  
  • ​训练​：最小化带噪边距离的分数匹配损失。
  • ​生成​：基于退火朗之万动力学采样，逐步细化初始噪声坐标。
    

​

3. 对称性实现原理​

• ​VAE阶段​：通过目标表示（c, ℓ, ϕ）的数学变换，硬性约束置换与旋转不变性。
• ​扩散阶段​：
  
  • 边距离分数 si,j,k 在多图表示中天然不变。
  • 坐标分数 sis_isi​ 通过链式法则继承不变性，确保∇P​logp(P∣A,L) 满足对称性要求。
    

​

4. 实验效果​

在三个材料数据集（Perov-5、Carbon-24、MP-20）上的实验表明：

​4.1 随机生成任务​

• ​有效性​：结构有效性达100%（表1），表明生成材料无原子碰撞。
• ​分布匹配​：生成材料与测试集在元素组成（#元素EMD）、密度（密度EMD）和能量（能量EMD）分布高度一致。
• ​覆盖度​：COV-P（生成覆盖测试集）和COV-R（测试集覆盖生成）均接近100%，证明多样性优异。
  

[td]  

数据集	结构有效性↑	密度EMD↓	COV-P↑
Perov-5	100.00%	0.2364	98.64%
Carbon-24	100.00%	3.9576	97.59%
MP-20	100.00%	0.3506	99.97%

​4.2 属性优化任务​

• ​低能量材料发现​：优化潜变量后，SyMat生成的材料能量显著降低，成功率（SR）远超基线。
• ​可视化效果​：优化后材料结构更紧凑，能量平均降低0.5–1.0 eV/atom。
  

​

5. 总结​

SyMat通过对称感知的目标表示​（VAE阶段）和边距离分数扩散​（坐标生成阶段），首次实现了周期性材料生成中的严格物理对称性。其在随机生成与属性优化任务中的优异表现，为新材料设计提供了可靠工具。未来方向包括加速扩散过程（如SDE采样）及拓展至非周期性材料生成。

引用：

Youzhi Luo, Chengkai Liu, Shuiwang Ji，Towards Symmetry-Aware Generationof Periodic Materials, 2023, 10.48550/arXiv.2307.02707