iMatGen无机材料逆向生成模型

casjxm

iMatGen（Image-basedMaterials Generator）是一种用于无机固体材料逆向设计的生成模型，由Noh等人提出。该模型通过构建连续的材料潜在空间，实现从目标属性到新材料的非随机发现。其核心创新在于使用可逆的图像基础表示（invertible image-based representation），解决了传统方法因表示不可逆而导致的设计瓶颈。

​

1. 模型框架：分层两步结构​

iMatGen采用分层两步架构，结合卷积自编码器（CAE）和变分自编码器（VAE），实现材料表示压缩与生成。这一框架分为：

• ​第一步：图像压缩（Image Compression）​​
       晶体结构被分解为两个3D图像表示：
  
  • ​单胞图像（Cell Image）​​：编码晶格参数（边长和角度），通过高斯函数在网格中表示（m3网格点）。
  • ​基础图像（Basis Image）​​：编码原子位置，每个原子类型（如V和O）独立表示为高斯峰叠加（n3网格点）。
          卷积自编码器压缩这些图像为低维向量，保留结构信息。
    
• ​第二步：材料生成器（Materials Generator, MG）​​
       基于变分自编码器（VAE），将压缩向量映射到潜在空间（latent space）。潜在空间是连续的，并通过分类网络嵌入稳定性标签（稳定材料：形成能 Ef≤0.5eV/atom；不稳定材料：其他）。这允许在潜在空间中高效采样稳定区域。
  

​

2. 工作原理：编码、解码与生成​

• ​编码（Encoding）​​
       晶体结构被转换为cell和basis图像（例如，单胞用 m=32网格，基础用 n=64网格，分辨率0.23 Å）。卷积自编码器压缩图像为中间向量，减少维度。
• ​潜在空间构建​
       VAE学习数据分布，潜在空间通过主成分分析（PCA）可视化，显示稳定与不稳定材料的聚类。稳定性标签的嵌入确保采样偏向低能结构。
• ​解码与生成（Decoding）​​
       采样潜在向量后，分层解码生成新结构：
  
  • MG解码器输出中间向量。
  • 图像压缩解码器重建cell和basis图像。
  • 逆变换（inverse transform）恢复晶格参数（精确重建）和原子位置（通过图像滤波）。
    

新生成的结构可能需后处理（如避免原子重叠），并通过DFT优化验证。

​

3. 关键特性​

• ​可逆表示（Invertible Representation）​​
       cell图像可通过方程精确逆变换为晶格参数（误差为0）。basis图像的原子位置重建误差平均为0.11 Å（有限网格导致），模型重建后降至0.19 Å（Table 1）。这确保了表示的可靠性。
• ​稳定性嵌入（Stability Embedding）​​
       分类网络将潜在空间组织为稳定/不稳定区域，使采样聚焦于可合成材料（Ef≤0.5eV/atom）。
• ​高效采样方法​
       支持两种采样策略：
  
  • ​球面线性插值（Slerp）​​：在已知结构间插值，偏向稳定区域。
  • ​随机采样（Random）​​：高斯分布采样，覆盖边界区域（可能包含亚稳态结构）。
    

​

4. 应用与结果：V-O系统验证​

iMatGen在vanadiumoxides（V-O）系统中验证，使用MaterialsProject数据库构建10,981个V-O结构（VO数据集）。

• ​重新发现已知结构​
       训练时排除31个MP数据库中的V-O结构，通过采样潜在空间成功重建25个（80%成功率），包括8个实验已知结构（ICSD）。Figure 5展示采样点与重建结果。
• ​预测新结构与成分​
       生成约20,000个新结构：
  
  • ​新成分​：如V6O7、V5O8等（Table      2），其中V6O7为全新组合（未见于MP或VO数据集）。
  • ​新同质异形体​：生成低能结构（能量上凸包Ehull ≤ 80 meV/atom）。
    
• ​相稳定性分析​
       DFT计算显示新结构均为亚稳态（负形成能），40个结构Ehull ≤ 80 meV/atom（80%实验已知氧化物在此范围内）。
  

​

5. 优势与比较​

• ​vs. 遗传算法（如CALYPSO）​​
       iMatGen在探索化学组成空间时更高效：
  
  • iMatGen：生成52个新成分和40个稳定结构，总计约14,000次DFT计算（含数据集构建）。
  • 遗传算法：需预设成分（如V3O4），每成分需~3,600次DFT计算；探索所有iMatGen生成成分需~93,600次计算。
    
• ​扩展性​
       模型可扩展至高阶化合物（三元及以上），需结合机器学习力场构建数据库。
  

​

6. 结论​

iMatGen通过可逆图像表示和分层生成框架，首次实现无机固体的逆向设计。在V-O系统中，它不仅重新发现实验结构，还预测出可合成的亚稳态新材料。其效率优于传统方法，并为功能材料设计（如添加属性优化任务）奠定基础。未来方向包括扩展至更复杂系统和集成主动学习。

此模型代码与数据公开于GitHub仓库，促进材料发现社区应用。

引用：

Noh, J. et al. Inverse design of solid-state materialsvia a continuous representation. Matter 1, 1370–1384 (2019).