新材料研发对推动国防科技、航天科技、半导体科技等技术领域的颠覆性创新具有关键作用。然而，基于试错式的传统新材料研究方法有如大海捞针，往往周期过长且产出缓慢。
Fig. 1 Analysis of rediscovered materials.
利用已知材料数据库和人工智能算法加速稳定的新材料合成设计，已成为材料领域的关键问题。最近，基于深度神经网络的的人工智能生成内容（AIGC）技术已经在图像、视频、文本、语音等领域的创新生成领域取得极大成功。AIGC技术已逐渐应用于分子、蛋白质、药物等的设计。然而人工智能的生成式设计在材料设计领域尚处于启蒙阶段。相对于数字媒体以及文本声音信号的生成，组成材料的基本单元原子，在原子类型的多样性以及原子相互作用所产生的物理、化学、几何（如对称性）强约束环境方面，给新材料晶体结构的生成式设计带来了巨大的挑战。
Fig. 2 The distribution of formation energy for 1863 materials and energy above hull for 1579 materials.
来自美国南卡罗莱纳大学的计算机科学与工程系的胡建军教授和机械工程系的胡明教授团队，尝试将大热的人工智能生成技术用于晶体材料结构的生成，提出一种利用基于物理信息的深度学习算法进行具有对称性约束的晶体材料的生成式设计方法，利用Materials Project、ICSD和OQMD等材料数据集中的已知晶体结构训练及验证生成模型PGCGM，并大批量生成了通过DFT第一性原理计算检验的新晶体结构。
Fig. 3 The comparison of lattice parameters P* generation performance for 20 space groups and space groups in cubic system.
相比之前的算法，在效率和准确率方面得到了极大提升。该研究提出的晶体生成模型结合了空间群仿射变换和有效的数据自增强方法，其损失函数基于原子对特性和晶体结构特性，通过物理约束来限制生成模型的训练，使得生成模型避免生成无效解，从而使得生成的晶体结构更容易满足物理约束。
Fig. 4 The structures of Mg2GaIr, SrYO6 and ZnTe2S6 and their corresponding DFT calculated properties.
Fig. 5 The overview of physics guided crystal generative model (PGCGM).
这一利用深度学习融入约束来进行更有效搜索的化腐朽（约束）为神奇（有利）的思路，在其他工程设计、分子设计、蛋白质设计、药物设计等领域都有巨大应用潜力。该文近期发表于npj Computational Materials 9：38(2023)，英文标题与摘要如下，点击左下角“阅读原文”可以自由获取论文PDF。
Physics guided deep learning for generative design of crystal materials with symmetry constraints
Yong Zhao, Edirisuriya M. Dilanga Siriwardane, Zhenyao Wu, Nihang Fu, Mohammed Al-Fahdi, Ming Hu & Jianjun Hu
Discovering new materials is a challenging task in materials science crucial to the progress of human society. Conventional approaches based on experiments and simulations are labor-intensive or costly with success heavily depending on experts’ heuristic knowledge. Here, we propose a deep learning based Physics Guided Crystal Generative Model (PGCGM) for efficient crystal material design with high structural diversity and symmetry. Our model increases the generation validity by more than 700% compared to FTCP, one of the latest structure generators and by more than 45% compared to our previous CubicGAN model. Density Functional Theory (DFT) calculations are used to validate the generated structures with 1869 materials out of 2000 are successfully optimized and deposited into the Carolina Materials Database www.carolinamatdb.org, of which 39.6% have negative formation energy and 5.3% have energy-above-hull less than 0.25 eV/atom, indicating their thermodynamic stability and potential synthesizability.
转自：“知社学术圈”微信公众号
如有侵权，请联系本站删除！
