Physics Guided Crystal Generative Model (PGCGM) 是一种基于深度学习的晶体材料生成模型，旨在高效设计具有高结构多样性和对称性的晶体材料。该模型通过引入物理约束和对称性增强机制，显著提升了生成结构的有效性和稳定性，解决了传统生成模型在晶体对称性、原子坐标精度及物理合理性方面的不足。
核心创新点
1. 物理引导的损失函数
o 原子距离约束损失（Inter/Intra-atom Distance Losses）：
通过约束原子间最小/最大距离（公式详见原文方法部分），确保生成的晶体中原子间距在合理范围内（避免过近或过远）。
o 对称性兼容的坐标损失（Symmetry-compliant Losses）：
基位点损失（Lbase)：强制不同基原子位点（Base Atom Sites）的表示一致性。
全位点损失（Lfull)：确保通过对称操作生成的完整原子坐标（Full Coordinates）在不同基位点下保持一致。
2. 自增强数据策略（Self-Augmentation）
o 对称操作增强：利用空间群对称变换（Affine Matrix），对基原子位点进行随机等效位置采样，生成多样化的训练样本。
o 三步选择机制：
1. 随机选择第一个元素及其基原子位点。
2. 选择距离该位点最近的第二个元素的原子。
3. 选择距离前两位点之和最小的第三个元素的原子。
o 效果：显著提升低样本量空间群的训练效果。
关键性能优势
1. 生成有效性提升
o 对比基线模型FTCP：有效性（Validity）提升700%（CIF可读率7.14% vs. 0.88%）。
o 对比CubicGAN：距离有效性（Distance Validity）提升27%（99.43% vs. 72%）。
o 物性分布更接近真实晶体：最小/最大原子距离的Wasserstein距离显著降低。
2. 对称性保持能力
o 经BOWSR优化后，34.9%的结构与生成原型匹配（远高于CubicGAN的26%和FTCP的0.8%）。
o 成功生成高对称性晶体（如空间群227），解决了传统VAE/GAN模型在对称性≥62的困难。
3. 稳定性验证（DFT）
o 93.45%优化成功率：1869/2000个生成结构通过DFT优化。
o 热力学稳定性：
39.6%材料具有负生成能。
5.3%材料能垒＜0.25 eV/atom，表明合成潜力。
4. 结构预测精度
o 晶格参数误差显著低于CubicGAN（图3b），R²值高达0.6。
o 成功复现42.6%训练集结构和43%测试集结构（OQMD v1.5。
引用：
Yong Zhao, Edirisuriya M. Dilanga Siriwardane, Zhenyao Wu1, Nihang Fu, Mohammed Al-Fahdi , Ming Hu and Jianjun Hu, Physics guided deep learning for generative design of crystal materials with symmetry constraints, npj Computational Materials (2023) 9:38; https://doi.org/10.1038/s41524-023-00987-9
发表于 2025-8-4 20:34:29
