Magnetic crystal generation with site-resolved magnetic moments via Gaussian-mixture retargeting and finite-budget yield prediction

Technische Samenvatting: GMMag – Generatie van Magnetische Kristallen met Site-Specifieke Momenten

Probleemstelling
Het inverse ontwerp van magnetische materialen vereist simultane controle over de chemische samenstelling, kristalstructuur en lokale spinconfiguratie. Bestaande generatieve modellen vertrouwen vaak op labels voor het netto magnetische moment, die er niet in slagen om onderscheid te maken tussen zwak lokaal magnetisme en grote, antiparallelle lokale momenten die elkaar opheffen. Bovendien garandeert een hoog screeningssuccespercentage in generatieve workflows niet de ontdekking van nieuwe chemische formules; het herhaaldelijk genereren van dezelfde bekende formules kan succesmetingen opblazen terwijl de accumulatie van onderscheidende, niet in de referentie voorkomende kandidaten wordt beperkt. Er is behoefte aan een workflow die site-specifieke magnetische momenten genereert, retargeting na de training mogelijk maakt zonder hertraining, en de opbrengst van onderscheidende nieuwe formules onder een eindig generatiebudget nauwkeurig voorspelt.

Methodologie
De auteurs introduceren GMMag, een conditional variational autoencoder (CVAE) workflow ontworpen om kristalstructuren te genereren samen met site-specifieke, gesigneerde magnetische momenten.

• Data en Labeling: De trainingsdataset combineert 3,5 miljoen structuren uit publieke repositories (Materials Project, NOMAD, OQMD) en in-house Density Functional Theory (DFT) berekeningen. Voor structuren zonder site-specifieke magnetische labels levert een atomistische line graph neural network (ALIGNN) predictor, getraind op 232.506 gelabelde structuren, geschatte gesigneerde collinear magnetische momenten aan. DFT-afgeleide labels hebben de voorkeur.
• Architectuur: De CVAE gebruikt afzonderlijke encoder-takken voor elementaire, ruimtegroep-, Wyckoff-sitegroep- en gesigneerde magnetische moment-kenmerken. De encoder brengt structuren in kaart naar een 1 de 128-dimensionale latente ruimte. De decoder is een autoregressieve transformer die sequentieel discrete kristaldescriptors voorspelt.
  • Conditionering: Magnetische condities worden geïntegreerd via twee paden: (1) Cross-attention, waarbij token-representaties geheugenvectoren lezen die geprojecteerd zijn vanuit de latente vector $z$; en (2) Feature-wise Linear Modulation (FiLM), die de verborgen representaties van de decoder schaalt en verschuift op basis van een globale magnetische conditie-bin (tien bins die de netto momentgrootte vertegenwoordigen).
  • Verliesfunctie: De trainingsdoelstelling omvat token cross-entropy, plus hulpverliezen (auxiliary losses) voor de tekens van magnetische momenten, de gesigneerde waarden en structurele magnetische samenvattingen (netto moment, absoluut moment en alignment ratio).
• Retargeting via Gaussian Mixture Models (GMM): In plaats van hertraining, stuurt de workflow de generatie bij door een GMM te fitten op de latente vectoren van geselecteerde referentiestructuren (de "latente bank"). Het samplen uit deze gefitte GMM (in plaats van de standaard prior) stuurt de generator naar specifieke chemische en magnetische doelen.
• Yield Modeling met Eindig Budget: Om het probleem van formule-repetitie aan te pakken, modelleren de auteurs de accumulatie van onderscheidende kwalificerende referentie-onbekende formules ($D_n$) als een functie van het aantal generatiepogingen ($n$). Ze gebruiken een statistisch bezettingsmodel waarbij de kans op een kwalificerende trekking ($Q$) en de parameters van de accumulatiecurve (crossover punt $a_0$ en de exponent in de late fase $\beta_{late}$) worden voorspeld op basis van samplingparameters (GMM spreiding $\alpha$, decoder temperatuur $\tau$) en GMM-complexiteit ($K$).

Belangrijkste Resultaten

1. Generatieprestaties: Het model bereikt een hoge reconstructie-validiteit (95,8% structurele validiteit, 98,3% compositie-overeenkomst) en een lage fout in het magnetische moment (MAE 0,01 $\mu_B$).
2. Doeladaptatie: GMMag genereert succesvol kandidaten voor drie verschillende doelen: Nd-bevattende kristallen met een hoog moment, zeldzame-aardvrije Fe–Co kristallen met een hoog moment, en Mn-bevattende gecompenseerde-moment kristallen. Een "Joint GMM" (het fitten van meerdere mengcomponenten) presteerde beter dan een enkele gezamenlijke Gaussische verdeling in het balanceren van doelkwalificatie met de exploratie van onderscheidende formules.
3. Opbrengstvoorspelling: Het model voor eindig budget voorspelt nauwkeurig het aantal onderscheidende kwalificerende formules dat in lange runs (tot 10 miljoen trekkingen) wordt gevonden. De studie toont aan dat screeningssuccespercentages alleen onvoldoende zijn; de accumulatie van onderscheidende formules wordt beperkt door de repetitie van veelvoorkomende formules, een fenomeen dat door het bezettingsmodel wordt gevangen.
4. Ablatie-studies:
   • Decoder Diepte: Het verhogen van de transformer-diepte van 2 naar 8 lagen verbeterde de reconstructie en de screeningssuccespercentages, maar verhoogde het aantal onderscheidende nieuwe formules niet; een 4-laags architectuur werd gevonden als de optimale balans.
   • Conditionering: Het verwijderen van het latente conditioneringstraject (alleen FiLM) verminderde de gerichte ontdekking drastisch, wat de noodzaak van het latente traject bevestigt.
   • Magnetische Supervisie: Het opnemen van aanvullende magnetische verliezen (Signed-CE&Aux) verbeterde de exacte overeenstemming van de tekens van de gegenereerde magnetische momenten met de voorspellingen vergeleken met modellen zonder deze verliezen, hoewel dit niet altijd de screeningssuccespercentages maximaliseerde.
5. Fysische Validatie: Een subset van de gegenereerde Nd-bevattende kandidaten onderging relaxatie met een machine-learning interatomaire potentiaal (eSEN) en DFT. Van de 38 kandidaten met geaccepteerde DFT-resultaten hadden er 34 een negatieve vormingsenergie, en 26 overschreden een geschatte verzadigingsmagnetisatie van 1,5 T. Specifieke kandidaten zoals Nd$_2$Fe$_{14}$Co$_3$ werden geïdentificeerd met negatieve vormingsenergieën en een hoge magnetisatie.
6. Site Occupancy: Met behulp van ab initio Configuration Sampling (abICS) onderzochten de auteurs de atomaire site-bezetting-disorder in veelbelovende kandidaten, waarbij zij vonden dat hoewel de magnetisatie-inschattingen stabiel bleven, relatieve energieën gevoelig waren voor de bezetting van subroosters.

Betekenis en Claims
Het artikel claimt dat GMMag een robuust framework biedt voor het inverse ontwerp van magnetische materialen door expliciet site-specifieke magnetische momenten te representeren, een kenmerk dat vaak verloren gaat in net-moment benaderingen. De workflow toont aan dat:

• Post-training retargeting via GMM-sampling een effectieve strategie is voor het verkennen van specifieke chemische en magnetische subruimten zonder de computationele kosten van hertraining.
• Accumulatie van onderscheidende formules een cruciale metriek is die verschilt van screeningssuccespercentages; hoge succespercentages kunnen een gebrek aan nieuwheid maskeren door de repetitie van formules. Het voorgestelde statistische model maakt het mogelijk om de ontdekkingsopbrengsten onder eindige computationele budgetten te voorspellen.
• Modelontwerpkeuzes (zoals decoderdiepte en magnetische supervisie) gepaard gaan met afwegingen tussen reconstructienauwkeurigheid, screeningssucces en de diversiteit van de ontdekte formules.
• De workflow heeft succesvol Nd-bevattende kandidaten geïdentificeerd met chemische formules die afwezig waren uit de referentiedataset, negatieve vormingsenergieën en een hoge geschatte verzadigingsmagnetisatie, wat het potentieel van de aanpak voor de ontdekking van nieuwe magnetische materialen valideert.

De auteurs nemen een bescheiden houding aan en merken op dat de magnetische grondtoestanden niet volledig zijn vastgesteld (vanwege enkelvoudige initialisatie collinear protocollen) en dat de opbrengstrespons herkalibratie vereist als de generator, de referentiestructuren of de screeningsregels veranderen. Het werk vestigt een complementaire route voor de conditionele training voor de ontdekking van magnetische materialen.