Байесовские поточные нейросети с учётом симметрии для генерации кристаллов

Почему важно более разумное проектирование кристаллов

От аккумуляторов и солнечных элементов до микросхем — многие технологии опираются на кристаллы с точно упорядоченными шаблонами атомов. Поиск новых кристаллических материалов с полезными свойствами при методе проб и ошибок трудоёмок и дорог. В этой статье представлен новый метод искусственного интеллекта, который способен воображать реалистичные кристаллические структуры значительно быстрее предыдущих инструментов, при этом соблюдая сложные симметрические закономерности, присущие реальным кристаллам. Подход может помочь учёным эффективнее исследовать огромное пространство возможных материалов и предлагать кандидатов, адаптированных под конкретные задачи.

Обучение модели уважать кристаллические шаблоны

Реальные кристаллы — не случайные кучи атомов; они следуют строгим правилам симметрии, известным как пространственные группы, которые описывают, как шаблоны повторяются и поворачиваются в трёх измерениях. Многие ранние ИИ-модели генерации кристаллов игнорировали эти правила и часто порождали низко-симметричные, нереалистичные структуры, редкие в природе. Авторы опираются на новый тип генеративной модели, называемой байесовской поточной сетью (BFN), которая создаёт данные малыми, управляемыми шагами, и адаптируют её для работы с кристаллами. Их метод, SymmBFN, использует описание кристаллов с учётом симметрии, фокусируясь только на наименьшем уникальном фрагменте структуры и на симметричных операциях, необходимых для восстановления полной решётки. Это уменьшает сложность задачи и помогает модели достоверно воспроизводить разнообразие пространственных групп, наблюдаемое в экспериментальных базах данных.

Одновременная работа со множеством типов информации

Проектирование кристалла означает одновременное принятие нескольких решений: какие элементы включить, сколько атомов в наименьшей повторяющейся единице, как они расположены и какой формы ячейка решётки, повторяющаяся в пространстве. Это сочетание непрерывных величин, таких как положения и длины решётки, и дискретных выборов, например типа элемента и меток симметрии. SymmBFN создана для работы со всеми этими различными типами переменных в единой математической рамке. Она оперирует напрямую с параметрами вероятностных распределений вместо постепенного очищения шумных образцов, как делают диффузионные модели. Работая в тщательно подобранной системе отсчёта, которая уже устраняет глобальные повороты и периодические сдвиги, метод естественно соблюдает базовые симметрии пространства без дополнительного оборудования.

Скорость и реалистичность сгенерированных кристаллов

Авторы тестируют SymmBFN на нескольких стандартных наборах данных по кристаллам, включая широко используемый поднабор Materials Project и более сложные коллекции с большими элементарными ячейками. Они сравнивают его результаты с ведущими диффузионными и потоковыми моделями, используя метрики, оценивающие степень соответствия сгенерированных кристаллов реальным материалам по плотности, составу и распределению пространственных групп. Ключевая мера фокусируется на структурах, которые устойчивы, уникальны и не являются простыми повторениями примеров из обучения. SymmBFN показывает сопоставимые или лучшие результаты по этим показателям качества при использовании лишь десятой части шагов генерации по сравнению со многими диффузионными моделями. В практическом плане он может быть более чем на порядок быстрее при создании стабильных, новых кристаллов, и это преимущество скорости становится ещё более заметным для больших, более сложных структур.

Проектирование материалов с заданными свойствами

Помимо генерации реалистичных кристаллов, SymmBFN можно направлять на получение структур с конкретными физическими характеристиками. Авторы показывают, что подавая модели желаемое значение таких величин, как энергия образования на атом или запрещённая зона (bandgap), можно смещать процесс генерации в сторону кристаллов с соответствующим поведением. Они тестируют целевые значения, взятые как из хорошо представленных, так и из редко встречающихся областей обучающей выборки. Даже при запросе структур с необычно низкой энергией образования или редкими значениями bandgap модель часто порождает стабильные или метастабильные кандидаты, которые группируются вокруг запрошенных значений свойств. Это указывает на то, что подход может служить рулём для исследования перспективных областей пространства материалов, соответствующих практическим задачам.

Что это значит для будущего поиска материалов

Проще говоря, SymmBFN — это быстрый и учитывающий симметрию генератор идей для кристаллических материалов. Соблюдая геометрические правила, характерные для реальных кристаллов, и эффективно управляя множеством видов атомной информации, он быстро предлагает реалистичные, разнообразные и ориентированные по свойствам структуры. Хотя фактический синтез в лаборатории остаётся окончательным испытанием, этот метод снижает стоимость цифрового исследования и упрощает фокусировку экспериментальной работы на наиболее перспективных кандидатах. По мере расширения подхода на несколько свойств и более тесной интеграции с экспериментальной практикой он может стать центральным инструментом в поиске новых материалов для энергетики, электроники и других областей.

Цитирование: Ruple, L., Torresi, L., Schopmans, H. et al. Symmetry-aware Bayesian flow networks for crystal generation. npj Comput Mater 12, 182 (2026). https://doi.org/10.1038/s41524-026-02140-8

Ключевые слова: генерация кристаллов, поиск материалов, байесовские поточные сети, ИИ с учётом симметрии, проектирование с учётом свойств