.png){kind=icon}
返回
Crystal structure prediction based on diffusion model and graph network optimization
.png){kind=icon}
PRE
AI
DOI：doi:10.1088/2515-7639/adeaed.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
准确快速地预测未知材料的晶体结构可以显著加速新材料的发现。然而，稳定的晶体结构仅存在于形成能的全局最小值处，这使得基于密度泛函理论计算或图神经网络（GNNs）代理模型的优化因搜索空间广阔而耗时。在本工作中，我们提出了一种名为DiffOA的晶体结构预测方法，该方法结合了扩散模型与基于GNNs的优化算法。通过扩散过程生成原子坐标并通过优化过程最小化形成能，DiffOA在尊重最小能量原理和晶体结构对称性的同时，有效减少了晶体结构预测所需的搜索空间。我们在29种化合物的晶体结构预测上评估了该方法，发现DiffOA在保持与GNNs优化方法相当性能的同时，速度提高了三倍。DiffOA的高效性和准确性可能为数据驱动的材料发现开辟一条新途径。
Keyword:
crystal structure prediction
diffusion model
graph neural networks
optimization algorithm
materials discovery
期刊
J
IF:
4.3
论文数:
100
被引数:
2.0K
机构
暂无机构信息
引用论文
分享收藏Global space-group optimization problem: Finding the stablest crystal structure without constraints.png)
PHYSICAL REVIEW B
PHYSICAL REVIEW BIF3.7
PREAI
分享收藏MAGUS: machine learning and graph theory assisted universal structure searcherMAGUS: 机器学习和图论辅助的通用结构搜索器NATIONAL SCIENCE REVIEW
OAAI
NATIONAL SCIENCE REVIEWIF17.1
OAAI分享收藏Commentary: The Materials Project: A materials genome approach to accelerating materials innovation评论: 材料项目: 加速材料创新的材料基因组方法APL MATERIALS
OAAI
APL MATERIALSIF4.5
OAAI分享收藏
查看更多内容