C2NP: A Benchmark for Learning Scale-Dependent Geometric Invariances in 3D Materials Generation

Sintesi Tecnica: Benchmark C2NP per le Invarianze Geometriche Dipendenti dalla Scala

Problematica
I modelli generativi per la scienza dei materiali hanno dimostrato una forte performance sui cristalli bulk periodici, dove le strutture sono definite da un'infinita simmetria traslazionale codificata nelle celle unitarie. Tuttavia, la loro capacità di generalizzare attraverso le transizioni di scala verso le nanostrutture finite rimane ampiamente non testata. Le nanoparticelle mancano di periodicità traslazionale; al contrario, sono dominate da faccette superficiali, siti di bordo e numeri di coordinazione ridotti che inducono rilassamenti strutturali ed effetti di dimensione quantistica. I benchmark e i dataset attuali (ad esempio, Materials Project, CSPBench) si concentrano principalmente su fasi bulk o lastre superficiali (slabs), fallendo nel accoppiare sistematicamente celle unitarie periodiche con configurazioni di nanoparticelle risolte per dimensione. Di conseguenza, non è chiaro se i modelli esistenti apprendano principi fisici scalabili che governano la transizione da reticoli infiniti a cluster finiti o se si limitino a memorizzare correlazioni all'interno di distribuzioni di addestramento ristrette.

Metodologia
Gli autori introducono C2NP (Crystal-to-Nanoparticle), un benchmark sistematico progettato per valutare i modelli generativi sulle trasformazioni strutturali bidirezionali tra celle unitarie infinite e nanoparticelle finite.

• Costruzione del Dataset: Il benchmark utilizza un sottoinsieme strutturalmente coerente di idruri perovskitici, una famiglia di materiali rilevante per l'accumulo di energia e la catalisi. Partendo da celle unitarie cristallografiche ottimizzate tramite DFT, gli autori costruiscono supercelle $20 \times 20 \times 20$. Le nanoparticelle finite sono generate tramite scavo sferico deterministico (troncatura) a raggi $R \in \{6, \dots, 30\}$ Å. Questo processo produce oltre 170.000 configurazioni di nanoparticelle senza ulteriore rilassamento strutturale, isolando gli effetti geometrici della dimensione.
• Partizionamento dei Dati: Per garantire una valutazione rigorosa della generalizzazione, il dataset è partizionato in base alla dimensione della particella e all'orientamento:
  • Split di Dimensione: I dati di addestramento coprono raggi intermedi. Il test in-distribution (ID) utilizza raggi di media gamma, mentre il test Out-of-Distribution (OOD) mira a dimensioni estreme ($R=6, 7, 29, 30$ Å) dove i rapporti superficie-volume sono più elevati.
  • Augmentation Orientativa: L'augmentation rotazionale è applicata su $SO(3)$ utilizzando quaternioni unitari. Un algoritmo greedy assicura la separazione geodesica tra i set di training, ID e OOD, prevenendo la sovrapposizione distributiva e il bias direzionale.
• Task del Benchmark: C2NP definisce due task complementari:
  1. Generazione Forward (Unit Cell $\to$ Nanoparticle): Data una cella unitaria e un raggio target, il modello deve generare una nanoparticella finita che preservi l'ordinamento periodico sottostante pur catturando correttamente la troncatura superficiale.
  2. Ricostruzione Inversa (Nanoparticle $\to$ Unit Cell): Data una configurazione di nanoparticella finita, il modello deve inferire i parametri del reticolo bulk e la simmetria del gruppo spaziale, nonostante il disordine superficiale e la rottura della periodicità.
• Metriche di Valutazione: Le performance sono valutate utilizzando metriche robuste e normalizzate. Per la generazione, le metriche includono RMSD, distanza di Hausdorff, errore del volume dell'inviluppo convesso (convex-hull volume error) ed errore della funzione di distribuzione radiale (RDF). Per i task inversi, le metriche includono l'errore RMSE dei parametri di reticolo, l'accuratezza del gruppo spaziale e l'accuratezza della ricostruzione congiunta (correttezza simultanea di entrambi).

Contributi Chiave

1. Dataset C2NP: Un dataset su larga scala e riproducibile che accoppia celle unitriche validate tramite DFT con circa 172.000 configurazioni di nanoparticelle risolte per dimensione, esplicitamente progettato per testare la generalizzazione dipendente dalla scala.
2. Framework di Valutazione Bidirezionale: Un banco di prova unificato sia per problemi generativi (forward) che inversi (ricostruzione), che sonda se i modelli codificano principi strutturali scalabili o si affidano alla memorizzazione di template.
3. Strategia di Split Rigorosa: Uno schema di partizionamento innovativo basato sulla dimensione della particella e sulla separazione dell'orientamento geodesico che isola rigorosamente i regimi di interpolazione da quelli di estrapolazione.
4. Approfondimenti Diagnostici: Il benchmark rivela che minimizzare la perdita di addestramento (training loss) è una scarsa approssimazione della fedeltà strutturale nei compiti di trasferimento di scala, esponendo i fallimenti fondamentali dei modelli allo stato dell'arte attuali.

Risultati Sperimentali
Gli autori hanno valutato diversi modelli generativi allo stato dell'arte, tra cui CDVAE, DiffCSP, FlowMM, MatterGen-MP e ADiT.

• Task Forward (Generazione): Nonostante l'ottenimento di punteggi di perdita normalizzati simili (circa 0,61), la maggior parte dei modelli (ADiT, DiffCSP, FlowMM, MatterGen) ha fallito nel produrre nanoparticelle strutturalmente significative, mostrando una debole fedeltà geometrica (punteggi RMSD/Hausdorff tra 0,34 e 0,54). Al contrario, CDVAE ha raggiunto una geometria quasi ottimale in tutte le metriche strutturali (punteggi $\approx$ 1,00) nonostante una perdita inferiore, suggerendo che la sua formulazione a variabile latente vincoli meglio la struttura globale. Le performance per tutti i modelli sono degradate sotto l'estrapolazione dimensionale OOD, sebbene CDVAE abbia mantenuto la stabilità.
• Task Inverso (Ricostruzione): Nessun metodo valutato è riuscito a recuperare congiuntamente i parametri di reticolo e la simmetria del gruppo spaziale. Mentre alcuni modelli hanno raggiunto una moderata accuratezza del gruppo spaziale (circa 0,61–0,66), il recupero dei parametri di reticolo è rimasto debole (punteggi RMSE 0,34–0,50). Crucialmente, l'accuratezza congiunta è rimasta fissa a 0,50 per tutti i metodi, indicando una disconnessione tra la regressione continua del reticolo e la classificazione discreta della simmetria. Le performance non sono migliorate nelle condizioni OOD, suggerendo limiti intrinseci nell'inferenza cristallografica piuttosto che un overfitting.

Significatività e Rivendicazioni
Il paper sostiene che C2NP fornisca un framework controllato per diagnosticare il fallimento degli attuali modelli generativi nel generalizzare attraverso le scale fisiche. I risultati suggeriscono che i metodi esistenti si affidano pesantemente alla memorizzazione di template piuttosto che all'apprendimento di generalizzazioni fisiche scalabili. Nello specifico, il benchmark dimostra che:

• Una bassa perdita di addestramento non garantisce la generazione di nanoparticelle geometricamente valide.
• Inferire l'ordine cristallografico bulk da configurazioni finite e perturbate dalla superficie è una sfida stringente e non ancora risolta per le attuali architetture.
• Esiste un divario fondamentale nella capacità dei modelli di ragionare sulla transizione tra periodicità infinita e dimensione finita.

Gli autori posizionano C2NP come una base per lo sviluppo di architetture capaci di ragionare sulla scala fisica nella materia cristallina, con applicazioni immediate nel design di catalizzatori per nanoparticelle, idruri nanostrutturati per l'accumulo di idrogeno e una scoperta più ampia di materiali. Il dataset e il codice sono resi disponibili per facilitare la ricerca riproducibile in questo dominio.