🔬 materials science

GEODE: Symmetry-Preserving Cartesian Diffusion for Crystal Generation

GEODE est un nouveau modèle génératif qui combine la diffusion de coordonnées et de réseaux dans l'espace cartésien avec des pertes contraintes par Wyckoff pour préserver les symétries cristallines, atteignant des taux de pointe de structures métastables, uniques et nouvelles tout en permettant l'échantillonnage guidé par les propriétés.

Auteurs originaux : Yuchen Lou, Alex M. Ganose

Publié 2026-10-02

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Yuchen Lou, Alex M. Ganose

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

La recherche de nouveaux matériaux ressemble souvent à la recherche d'une aiguille dans une botte de foin, mais avec une nuance : la botte de foin est composée de trillions d'agencements possibles d'atomes, et la plupart d'entre eux sont instables ou inutiles. Pendant des décennies, les scientifiques se sont appuyés sur le criblage à haut débit, une méthode qui teste les bases de données de cristaux connus contre des critères spécifiques pour trouver des candidats prometteurs. Cette approche fonctionne bien pour trouver ce qui est déjà connu, mais elle ne peut pas inventer ce qui n'a jamais été vu. Pour véritablement découvrir de nouveaux matériaux, les chercheurs doivent générer des structures entièrement nouvelles à partir de rien. Le défi réside dans la nature même des cristaux. Contrairement à un tas de sable aléatoire, un cristal est défini par un motif rigide et répétitif où les atomes occupent des positions spécifiques et symétriques. Ces motifs ne sont pas arbitraires ; ils suivent des règles mathématiques strictes appelées groupes d'espace, qui dictent la manière dont les atomes peuvent se déplacer et pivoter tout en maintenant l'intégrité de la structure. La plupart des cristaux du monde réel, du sel de table aux semi-conducteurs complexes, respectent ces règles. Cependant, lorsque les scientifiques tentent d'utiliser l'intelligence artificielle pour inventer de nouveaux cristaux, les modèles échouent souvent à respecter ces symétries, produisant des structures qui ressemblent à des cristaux mais qui s'effondrent ou n'existent tout simplement pas dans la nature.

Une équipe de chercheurs de l'Imperial College London a développé un nouveau système d'intelligence artificielle appelé GEODE pour résoudre ce problème spécifique. Au lieu de forcer une IA à usage général à apprendre les règles de symétrie à la volée, ils ont intégré les règles directement dans l'architecture de la machine. Le système fonctionne en deux étapes distinctes. Premièrement, il sélectionne un « modèle de symétrie », qui est essentiellement un plan spécifiant le type de motif répétitif et les positions autorisées pour les atomes au sein de ce motif. Une fois qu'un plan est choisi, le système génère la structure cristalline complète, incluant la taille de l'unité de répétition, les positions exactes de chaque atome et le type d'atome à chaque position. Crucialement, le système garantit que chaque étape de ce processus de génération respecte le plan choisi. Si le plan stipule qu'un atome ne peut se déplacer que le long d'une ligne spécifique, le système ne permet jamais à celui-ci de dériver de cette ligne. Cette approche contraste avec les méthodes précédentes qui traitaient la symétrie comme une condition optionnelle ou tentaient de corriger les structures brisées après leur génération. En traitant la symétrie comme une contrainte fondamentale dès le début, les chercheurs ont constaté que l'IA pouvait produire des matériaux stables, uniques et inédits de manière beaucoup plus fiable qu'auparavant.

Les chercheurs ont testé leur système par rapport à un ensemble standard de plus de 45 000 cristaux inorganiques connus. Ils ont demandé à l'IA de générer des milliers de nouvelles structures, puis ont vérifié combien d'entre elles étaient valides, uniques et assez stables pour potentiellement exister. Les résultats ont montré une amélioration significative par rapport aux autres modèles respectant la symétrie. Sans aucun ajustement supplémentaire, le système a produit un taux de cristaux nouveaux et réussis qui était presque le double du meilleur modèle de sa catégorie. Lorsque les chercheurs ont ajouté une simple étape de filtrage au processus — sélectionnant uniquement les plans les plus prometteurs avant le début de la génération — le taux de réussite a bondi encore plus haut, dépassant même certains des modèles les plus avancés qui ignorent les règles de symétrie. Cette amélioration a été obtenue sans réentraîner le modèle, simplement en étant plus sélectif quant aux modèles de départ. Le système a également démontré sa capacité à guider le processus de génération vers des propriétés physiques spécifiques. Par exemple, les chercheurs ont montré qu'ils pouvaient diriger l'IA pour créer des cristaux cubiques possédant une capacité spécifique de stockage d'énergie électrique, tout en garantissant que le matériau reste parfaitement symétrique.

L'une des innovations clés de ce travail réside dans la manière dont le système gère l'échelle physique des atomes. De nombreux modèles précédents ajoutaient du bruit aléatoire aux positions des atomes d'une manière qui dépendait de la taille de la cellule cristalline, ce qui rendait le processus d'apprentissage incohérent. GEODE ajoute plutôt du bruit d'une manière qui représente une distance physique fixe, quelle que soit la taille du cristal. Ce petit changement a rendu le processus d'entraînement plus stable et les résultats finaux plus précis. Les chercheurs ont également introduit une méthode pour gérer le fait que des atomes identiques dans un cristal peuvent échanger leurs places sans changer la structure. En permettant au système de reconnaître ces échanges pendant l'entraînement, ils ont empêché l'IA d'être confuse par des étiquettes arbitraires, menant à des prédictions plus nettes et plus précises. Le système a été testé sur deux ensembles de données différents, et dans les deux cas, il a surpassé ses concurrents dans la génération de structures qui étaient non seulement mathématiquement valides mais aussi physiquement plausibles.

L'étude souligne un changement dans la manière dont l'intelligence artificielle aborde la découverte de matériaux. Plutôt que de compter sur de vastes quantités de données pour deviner les règles de symétrie, les chercheurs ont intégré ces règles directement dans la conception du modèle. Cette approche s'est avérée plus efficace et plus performante, permettant au système de naviguer dans le vaste espace des structures cristallines possibles avec une plus grande précision. Bien que le système ne soit pas encore une solution parfaite pour tous les défis de la découverte de matériaux, il représente une avancée significative dans la génération de cristaux stables et nouveaux. La capacité de contrôler des propriétés spécifiques, telles que le comportement électrique, tout en maintenant une symétrie structurelle stricte, suggère une voie vers la conception de matériaux aux fonctions sur mesure. Les chercheurs ont noté que le processus reste coûteux en termes de calcul, nécessitant un temps important pour générer chaque structure, mais la qualité des résultats suggère que l'investissement en vaut la peine. En combinant une compréhension profonde de la symétrie cristalline avec des techniques génératives modernes, GEODE offre un nouvel outil puissant pour les scientifiques cherchant à repousser les limites de ce que les matériaux peuvent être.

Résumé technique : GEODE – Diffusion cartésienne préservant la symétrie pour la génération de cristaux

Énoncé du problème

La découverte computationnelle de matériaux s'est traditionnellement appuyée sur le criblage à haut débit de bases de données existantes, ce qui limite la découverte de matériaux véritablement nouveaux. Les modèles génératifs offrent une voie pour échantillonner de nouvelles structures directement ; cependant, les modèles existants peinent à reproduire les symétries de groupes d'espace non triviales observées dans la plupart des cristaux inorganiques connus. Bien que certains modèles soient conditionnés par des étiquettes de groupe d'espace, ils échouent souvent à récupérer la symétrie cible (ne la récupérant que 10 à 20 % du temps) et génèrent de manière disproportionnée des structures dans le groupe d'espace trivial $P1$ .

De plus, les modèles actuels sensibles à la symétrie font face à des défis architecturaux et d'entraînement :

Représentation des coordonnées : La plupart des modèles diffusent des coordonnées fractionnaires, où l'échelle physique du bruit dépend de la taille et de la forme de la maille, ce qui complique le processus d'apprentissage.
Couplage de la maille : Les modèles utilisant la diffusion cartésienne ont historiquement maintenu la maille fixe pour éviter la complexité des mises à jour couplées, manquant ainsi l'opportunité de générer des cellules unitaires diverses.
Unicité et nouveauté : Les cristaux à haute symétrie partagent souvent des prototypes structurels limités, ce qui conduit les modèles génératifs à produire des structures répétitives ou déjà présentes dans les bases de données, réduisant ainsi les mesures d'unicité et de nouveauté.

Les approches existantes qui imposent la symétrie sont souvent moins performantes que les modèles agnostiques à la symétrie sur les benchmarks standards de stabilité, d'unicité et de nouveauté.

Méthodologie : GEODE

Les auteurs introduisent le Generative Equivariant Orbit Diffusion Engine (GEODE), un modèle génératif sensible à la symétrie qui opère en deux étapes distinctes :

1. Échantillonnage de modèles de Wyckoff (VAE)

GEODE échantillonne d'abord un modèle de symétrie $\tau = (G, W)$ , composé d'un groupe d'espace $G$ et d'une liste d'orbites de Wyckoff $W$ .

Architecture : Un encodeur à passage de messages $E(3)$ -équivariant traite les types d'atomes et les plongements de sites de Wyckoff pour paramétrer un vecteur latent gaussien $z$ . Un décodeur MLP prédit la distribution du groupe d'espace, tandis qu'un transformateur autorégressif génère la séquence des orbites de Wyckoff conditionnée par $z$ et le groupe d'espace.
Entraînement : Le Variational Autoencoder (VAE) est entraîné pour reconstruire le groupe d'espace et la séquence d'orbites à partir des données d'entraînement, régularisé par un terme de divergence KL.

2. Diffusion Cartésienne Conjointe

Étant donné un modèle échantillonné, un modèle de diffusion génère conjointement la structure cristalline $C = (A, X, L)$ (types d'atomes, coordonnées et maille) tout en préservant strictement la symétrie du modèle.

Diffusion Cartésienne : Contrairement aux travaux antérieurs utilisant des coordonnées fractionnaires, GEODE diffuse les coordonnées atomiques dans l'espace cartésien. Cela garantit que l'échelle du bruit représente une distance physique cohérente (en Ångströms) quel que soit le dimensionnement de la cellule.
Diffusion de la maille : Le modèle diffuse les six paramètres de la cellule ( $a, b, c, \alpha, \beta, \gamma$ ) plutôt que la matrice de maille. Un opérateur de projection $P_G$ garantit que le bruit ajouté à la maille respecte les contraintes du système cristallin spécifique (par exemple, des longueurs égales pour les systèmes cubiques, des angles fixes pour les systèmes orthorhombiques).
Bruit préservant la symétrie : Le bruit des coordonnées est construit pour être corrélé au sein de chaque orbite de Wyckoff. Un vecteur aléatoire est échantillonné pour un atome représentatif, moyenné sur son groupe de symétrie de site pour éliminer les composantes hors de ses degrés de liberté, puis transformé vers tous les atomes équivalents.
Perte contrainte par Wyckoff :
- Copies atteignables : La cible d'entraînement (score de distribution normale enveloppée) est restreinte aux images périodiques qui sont atteignables dans les degrés de liberté autorisés de l'atome, évitant ainsi des gradients incohérents.
- Remappage de permutation : Avant de calculer la perte, le modèle fait correspondre les atomes perturbés aux sites de référence au sein de la même orbite de Wyckoff en utilisant un algorithme d'affectation linéaire à coût minimum (algorithme hongrois). Cela empêche la perte de dépendre d'un étiquetage arbitraire des atomes lorsque des atomes équivalents permutent leurs positions.
Diffusion du type atomique : Les types d'atomes sont diffusés via un processus à état absorbant sur les orbites de Wyckoff, garantant que tous les atomes d'une orbite partagent la même espèce.

3. Filtrage des modèles au temps d'échantillonnage

Pour améliorer la nouveauté sans réentraînement, les auteurs proposent de filtrer la distribution des modèles échantillonnés. Les modèles sont conservés uniquement s'ils apparaissent dans une plage de fréquence spécifique dans l'ensemble d'entraînement (1 à 1 000 fois) et contiennent un nombre spécifique d'orbites (4 à 6). Cela biaise la génération vers des prototypes structurels sous-représentés mais réalisables.

4. Guidage par les propriétés

Le modèle supporte le guidage sans classificateur (classifier-free guidance) pour contrôler les propriétés (par exemple, la permittivité) tout en maintenant la symétrie. En affinant le modèle de diffusion sur un ensemble de données de propriétés et en utilisant la modulation linéaire par caractéristique (FiLM), le modèle peut générer des cristaux cubiques avec des constantes diélectriques cibles, assurant des réponses isotropes.

Contributions clés

Diffusion Cartésienne Conjointe : GEODE est le premier modèle à combiner la diffusion des coordonnées et de la maille dans l'espace cartésien, fournissant une échelle de bruit physique cohérente et permettant des mises à jour isotropes à travers différentes dimensions de cellule.
Perte Contrainte par Wyckoff : L'introduction d'une fonction de perte qui prend en compte le remappage de permutation et restreint les cibles aux copies périodiques atteignables, garantissant que le modèle respecte les contraintes de coordonnées et réduit le bruit d'entraînement.
Filtrage des Modèles : Une stratégie de filtrage de la distribution des modèles lors de l'échantillonnage qui augmente la nouveauté des structures générées, améliorant les performances sans entraînement supplémentaire du modèle.
Guidage Conjoint : Démonstration du contrôle simultané de la symétrie (via la sélection du modèle) et des propriétés physiques (via le guidage sans classificateur).

Résultats

Évalué sur les jeux de données MP-20 et Alex-MP-20 en utilisant le framework LeMat-GenBench :

Performance : GEODE atteint un taux mSUN (métastable, unique et nouveau) de 11,92 % sur MP-20 sans relaxation de la structure. Cela surpasse le meilleur modèle sensible à la symétrie suivant (SGFM à 7,68 %) et approche les performances des principaux modèles agnostiques à la symétrie.
Performance après relaxation : Après relaxation avec EquiformerV3, GEODE atteint un mSUN de 16,40 % sur MP-20.
Impact du filtrage : L'application du filtre de modèle au temps d'échantillonnage augmente le mSUN relaxé à 23,80 % sur MP-20, surpassant toutes les autres entrées du classement public en septembre 2026.
Fidélité de la symétrie : 98,4 % des structures générées sont assignées exactement au groupe d'espace spécifié par leur modèle.
Études d'ablation : Remplacer la diffusion cartésienne par des coordonnées fractionnaires abaisse le mSUN de 11,9 % à 9,3 %. Le remappage de permutation et les restrictions de copies atteignables contribuent de manière significative à la performance finale.
Contrôle des propriétés : Le modèle génère avec succès des cristaux cubiques avec des permittivités cibles (par exemple, des valeurs médianes prédites de 2,1, 6,2, 10,5 et 12,2 pour des cibles de 2, 5, 10 et 15), maintenant la symétrie cubique tout au long du processus.

Signification et limites

L'article affirme que GEODE démontre que le traitement explicite de la symétrie dans les modèles génératifs peut produire des résultats compétitifs en termes de stabilité, d'unicité et de nouveauté, contestant l'idée que les modèles agnostiques à la symétrie sont supérieurs. En séparant la génération du modèle de la diffusion du cristal, le modèle permet une optimisation post-hoc du processus de génération (via le filtrage) sans réentraînement.

Limites reconnues par les auteurs :

Entraînement en deux étapes : Le générateur de modèles et le modèle de diffusion sont entraînés indépendamment, ce qui signifie que le générateur de modèles ne reçoit aucun retour sur la stabilité des cristaux résultants. Cela peut conduire à la proposition de modèles difficiles à réaliser pour le modèle de diffusion.
Symétrie Fixe : Le groupe d'espace reste fixe pendant le processus de diffusion ; le modèle ne peut pas résoudre un modèle inapproprié en changeant sa symétrie.
Coût Computationnel : L'échantillonnage nécessite 1 000 étapes inverses, chacune évaluant un réseau équivariant sur la cellule complète, ce qui rend le processus coûteux en calcul.
Portée du Guidage : Le guidage par les propriétés n'a été démontré que pour une propriété scalaire (permittivité) au sein d'un seul système cristallin (cubique). L'applicabilité plus large à travers diverses propriétés et classes de symétrie nécessite des tests supplémentaires.