🔬 materials science

GEODE: Symmetry-Preserving Cartesian Diffusion for Crystal Generation

O GEODE é um modelo generativo inovador que combina difusão de coordenadas e de rede em espaço cartesiano com perdas restritas por Wyckoff para preservar as simetrias cristalinas, alcançando taxas de estado da arte de estruturas metaestáveis, únicas e novas, ao mesmo tempo em que possibilita a amostragem guiada por propriedades.

Autores originais: Yuchen Lou, Alex M. Ganose

Publicado 2026-10-02

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Yuchen Lou, Alex M. Ganose

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

A busca por novos materiais muitas vezes parece como procurar uma agulha em um palheiro, mas com um toque: o palheiro é feito de trilhões de arranjos possíveis de átomos, e a maioria deles é instável ou inútil. Por décadas, os cientistas confiaram na triagem de alto rendimento, um método que testa bancos de dados existentes de cristais conhecidos contra critérios específicos para encontrar candidatos promissores. Essa abordagem funciona bem para encontrar o que já é conhecido, mas não pode inventar o que nunca foi visto. Para descobrir verdadeiramente novos materiais, os pesquisadores precisam gerar estruturas inteiramente novas do zero. O desafio reside na natureza dos próprios cristais. Ao contrário de um monte de areia aleatório, um cristal é definido por um padrão repetitivo rígido, onde os átomos ocupam arranjos simétricos específicos. Esses padrões não são arbitrários; eles seguem regras matemáticas estritas chamadas grupos de espaço, que ditam como os átomos podem se mover e girar enquanto mantêm a estrutura intacta. A maioria dos cristais do mundo real, do sal de cozinha a semicondutores complexos, obedece a essas regras. No entanto, quando os cientistas tentam usar inteligência artificial para inventar novos cristais, os modelos frequentemente falham em respeitar essas simetrias, produzindo estruturas que parecem cristais, mas que se desintegram ou simplesmente não existem na natureza.

Uma equipe de pesquisadores do Imperial College London desenvolveu um novo sistema de inteligência artificial chamado GEODE para resolver esse problema específico. Em vez de tentar forçar uma IA de uso geral a aprender regras de simetria sobre a marcha, eles construíram as regras diretamente na arquitetura da máquina. O sistema opera em duas etapas distintas. Primeiro, ele seleciona um "template de simetria", que é essencialmente um projeto especificando o tipo de padrão repetitivo e as posições permitidas para os átomos dentro desse padrão. Uma vez escolhido um projeto, o sistema gera a estrutura completa do cristal, incluindo o tamanho da unidade de repetição, as posões exatas de cada átomo e o tipo de átomo em cada posição. Crucialmente, o sistema garante que cada etapa deste processo de geração respeite o projeto escolhido. Se o projeto diz que um átomo só pode se mover ao longo de uma linha específica, o sistema nunca permite que ele se desvie dessa linha. Essa abordagem contrasta com métodos anteriores que tratavam a simetria como uma condição opcional ou tentavam corrigir estruturas quebradas após serem geradas. Ao tratar a simetria como uma restrição fundamental desde o início, os pesquisadores descobriram que a IA podia produzir materiais estáveis, únicos e novos de forma muito mais confiável do que antes.

Os pesquisadores testaram seu sistema contra um conjunto padrão de mais de 45.000 cristais inorgânicos conhecidos. Eles pediram à IA para gerar milhares de novas estruturas e depois verificaram quantos destes eram válidos, únicos e estáveis o suficiente para potencialmente existir. Os resultados mostraram uma melhoria significativa em relação a outros modelos conscientes de simetria. Sem quaisquer ajustes extras, o sistema produziu uma taxa de cristais novos e bem-sucedidos que era quase o dobro do próximo melhor modelo em sua categoria. Quando os pesquisadores adicionaram uma etapa de filtragem simples ao processo — selecionando apenas os projetos mais promissores antes do início da geração — a taxa de sucesso saltou ainda mais, superando até mesmo alguns dos modelos mais avançados que ignoram as regras de simetria. Essa melhoria foi alcançada sem retreinar o modelo, simplesmente sendo mais seletivo sobre os templates iniciais. O sistema também demonstrou a capacidade de guiar o processo de geração em direção a propriedades físicas específicas. Por exemplo, os pesquisadores mostraram que poderiam direcionar a IA para criar cristais cúbicos com uma capacidade específica de armazenar energia elétrica, tudo isso garantindo que o material permanecesse perfeitamente simétrico.

Uma das principais inovações neste trabalho foi como o sistema lidou com a escala física dos átomos. Muitos modelos anteriores adicionavam ruído aleatório às posições dos átomos de uma forma que dependia do tamanho da célula do cristal, o que tornava o processo de aprendizado inconsistente. O GEODE, em vez disso, adicionou ruído de uma forma que representasse uma distância física fixa, independentemente do tamanho do cristal. Essa pequena mudança tornou o processo de treinamento mais estável e os resultados finais mais precisos. Os pesquisadores também introduziram um método para lidar com o fato de que átomos idênticos em um cristal podem trocar de lugar sem alterar a estrutura. Ao permitir que o sistema reconhecesse essas trocas durante o treinamento, eles evitaram que a IA ficasse confusa por rótulos arbitrários, levando a previsões mais limpas e precisas. O sistema foi testado em dois conjuntos de dados diferentes e, em ambos os casos, superou seus concorrentes na geração de estruturas que não eram apenas matematicamente válidas, mas também fisicamente plausíveis.

O estudo destaca uma mudança na forma como a inteligência artificial aborda a descoberta de materiais. Em vez de depender de quantidades massivas de dados para adivinhar as regras de simetria, os pesquisadores incorporaram essas regras diretamente no design do modelo. Essa abordagem provou ser mais eficiente e eficaz, permitindo que o sistema navegasse pelo vasto espaço de possíveis estruturas cristalinas com maior precisão. Embora o sistema ainda não seja uma solução perfeita para todos os desafios de descoberta de materiais, ele representa um avanço significativo na geração de cristais estáveis e novos. A capacidade de controlar propriedades específicas, como o comportamento elétrico, mantendo a estrita simetria estrutural, sugere um caminho para projetar materiais com funções personalizadas. Os pesquisadores observaram que o processo continua sendo computacionalmente caro, exigindo tempo significativo para gerar cada estrutura, mas a qualidade dos resultados sugere que o investimento vale a pena. Ao combinar uma compreensão profunda da simetria cristalina com técnicas generativas modernas, o GEODE oferece uma nova ferramenta poderosa para cientistas que buscam expandir os limites do que é possível em termos de materiais.

Resumo Técnico: GEODE – Difusão Cartesiana com Preservação de Simetria para Geração de Cristais

Problema

A descoberta computacional de materiais tem dependido tradicionalmente da triagem de alto rendimento de bases de dados existentes, o que limita a descoberta de materiais verdadeiramente novos. Modelos generativos oferecem um caminho para amostrar novas estruturas diretamente; no entanto, os modelos existentes têm dificuldade em reproduzir as simetrias de grupo espacial não triviais observadas na maioria dos cristais inorgânicos conhecidos. Embora alguns modelos condicionem em rótulos de grupo espacial, eles frequentemente falham em recuperar a simetria alvo (recuperando-a apenas 10–20% das vezes) e geram desproporcionalmente estruturas no grupo espacial trivial $P1$ .

Além disso, os modelos atuais que impõem simetria enfrentam desafios arquitetônicos e de treinamento:

Representação de Coordenadas: A maioria dos modelos difunde coordenadas fracionárias, onde a escala física do ruído depende do tamanho e da forma da célula, complicando o processo de aprendizado.
Acoplamento de Rede: Modelos que utilizam difusão cartesiana historicamente mantiveram a rede fixa para evitar a complexidade de atualizações acopladas, perdendo a oportunidade de gerar células unitárias diversas.
Unicidade e Novidade: Cristais de alta simetria frequentemente compartilham protótipos estruturais limitados, levando os modelos generativos a produzir estruturas repetitivas ou aquelas já presentes em bases de dados, reduzindo as métricas de unicidade e novidade.

Abordagens existentes que impõem simetria muitas vezes apresentam desempenho inferior aos modelos agnósticos à simetria em benchmarks padrão de estabilidade, unicidade e novidade.

Metodologia: GEODE

Os autores introduzem o Generative Equivariant Orbit Diffusion Engine (GEODE), um modelo generativo consciente de simetria que opera em dois estágios distintos:

1. Amostragem de Template de Wyckoff (VAE)

O GEODE primeiro amostra um template de simetria $\tau = (G, W)$ , consistindo em um grupo espacial $G$ e uma lista de órbitas de Wyckoff $W$ .

Arquitetura: Um codificador de passagem de mensagens $E(3)$ -equivariante processa tipos de átomos e embeddings de sítios de Wyckoff para parametrizar um vetor latente Gaussiano $z$ . Um decodificador MLP prevê a distribuição do grupo espacial, enquanto um transformer autorregressivo gera a sequência de órbitas de Wyckoff condicionada a $z$ e ao grupo espacial.
Treinamento: O Autoencoder Variacional (VAE) é treinado para reconstruir o grupo espacial e a sequência de órbitas a partir dos dados de treinamento, regularizado por um termo de divergência KL.

2. Difusão Cartesiana Conjunta

Dado um template amostrado, um modelo de difusão gera conjuntamente a estrutura do cristal $C = (A, X, L)$ (tipos de átomos, coordenadas e rede) enquanto preserva estritamente a simetria do template.

Difusão Cartesiana: Ao contrário de trabalhos anteriores que utilizam coordenadas fracionárias, o GEODE difunde as coordenadas atômicas no espaço cartesiano. Isso garante que a escala do ruído represente uma distância física consistente (Ångströms), independentemente das dimensões da célula.
Difusão de Rede: O modelo difunde os seis parâmetros da célula ( $a, b, c, \alpha, \beta, \gamma$ ) em vez da matriz da rede. Um operador de projeção $P_G$ garante que o ruído adicionado à rede respeite as restrições do sistema cristalino específico (ex: comprimentos iguais para sistemas cúbicos, ângulos fixos para ortorrômbicos).
Ruído Preservador de Simetria: O ruído de coordenadas é construído para ser correlacionado dentro de cada órbita de Wyckoff. Um vetor aleatório é amostrado para um átomo representativo, a média é calculada sobre seu grupo de simetria de sítio para remover componentes fora de seus graus de liberdade, e então ele é transformado para todos os átomos equivalentes.
Perda Restrita por Wyckoff:
- Cópias Alcançáveis: O alvo de treinamento (score de normal envolta) é restrito a imagens periódicas que sejam alcançáveis dentro dos graus de liberdade permitidos do átomo, evitando gradientes inconsistentes.
- Remapeamento de Permutação: Antes de calcular a perda, o modelo faz o correspondente de átomos perturbados para sítios de referência dentro da mesma órbita de Wyckoff usando atribuição linear de custo mínimo (algoritmo de Hungarian). Isso evita que a perda dependa de rótulos atômicos arbitrários quando átomos equivalentes trocam de posição.
Difusão de Tipo Atômico: Os tipos atômicos são difundidos usando um processo de estado de absorção sobre as órbitas de Wyckoff, garantindo que todos os átomos em uma órbita compartilhem a mesma espécie.

3. Filtragem de Template no Tempo de Amostragem

Para aumentar a novidade sem retreinar, os autores propõem filtrar a distribuição de templates amostrados. Templates são retidos apenas se ocorrerem dentro de uma faixa de frequência específica no conjunto de treinamento (1 a 1.000 vezes) e contiverem um número específico de órbitas (4 a 6). Isso enviesa a geração para protótipos estruturais sub-representados, mas viáveis.

4. Orientação de Propriedades (Property Guidance)

O modelo suporta orientação por classificador livre (classifier-free guidance) para controlar propriedades (ex: permissividade) enquanto mantém a simetria. Ao ajustar o modelo de difusão em um conjunto de dados de propriedades e usar Modulação Linear por Características (FiLM), o modelo pode gerar cristais cúbicos com constantes dielétricas alvo, garantindo respostas isotrópicas.

Principais Contribuições

Difusão Cartesiana Conjunta: O GEODE é o primeiro modelo a combinar difusão de coordenadas e de rede no espaço cartesiano, fornecendo uma escala de ruído físico consistente e permitindo atualizações isotrópicas através de diferentes dimensões de célula.
Perda Restrita por Wyckoff: A introdução de uma função de perda que contabiliza o remapeamento de permutação e restringe os alvos a cópias periódicas alcançáveis, garantindo que o modelo respeite as restrições de coordenadas e reduza o ruído de treinamento.
Filtragem de Template: Uma estratégia de amostragem que aumenta a novidade das estruturas geradas através da filtragem da distribuição de templates, melhorando o desempenho sem treinamento adicional do modelo.
Orientação Conjunta: Demonstração do controle tanto da simetria (via seleção de template) quanto de propriedades físicas (via orientação de classificador livre) simultaneamente.

Resultados

Avaliado nos conjuntos de dados MP-20 e Alex-MP-20 usando o framework LeMat-GenBench:

Desempenho: O GEODE atinge uma taxa de mSUN (metastável, única e nova) de 11,92% no MP-20 sem relaxação de estrutura. Isso supera o próximo melhor modelo consciente de simetria (SGFM com 7,68%) e aproxima-se do desempenho de modelos líderes agnósticos à simetria.
Desempenho Relaxado: Após a relaxação com EquiformerV3, o GEODE atinge um mSUN de 16,40% no MP-20.
Impacto da Filtragem: Aplicar o filtro de template no tempo de amostragem aumenta o mSUN relaxado para 23,80% no MP-20, superando todas as outras entradas no leaderboard público até setembro de 2026.
Fidelidade de Simetria: 98,4% das estruturas geradas são atribuídas exatamente ao grupo espacial especificado pelo seu template.
Estudos de Ablação: Substituir a difusão cartesiana por coordenadas fracionárias reduz o mSUN de 11,9% para 9,3%. O remapeamento de permutação e as restrições de cópia alcançável contribuem significativamente para o desempenho final.
Controle de Propriedades: O modelo gera com sucesso cristais cúbicos com permissividades alvo (ex: valores medianos preditos de 2,1, 6,2, 10,5 e 12,2 para alvos de 2, 5, 10 e 15), mantendo a simetria cúbica durante todo o processo.

Significância e Limitações

O artigo afirma que o GEODE demonstra que o tratamento explícito de simetria em modelos generativos pode produzir resultados competitivos em estabilidade, unicidade e novidade, desafiando a noção de que modelos agnósticos à simetria são superiores. Ao separar a geração de templates da difusão de cristais, o modelo permite a otimização pós-hoc do processo de geração (via filtragem) sem necessidade de retreinamento.

Limitações reconhecidas pelos autores:

Treinamento em Dois Estágios: O gerador de templates e o modelo de difusão são treinados independentemente, o que significa que o gerador de templates não recebe feedback sobre a estabilidade dos cristais resultantes. Isso pode levar à proposta de templates que são difíceis de serem realizados pelo modelo de difusão.
Simetria Fixa: O grupo espacial permanece fixo durante o processo de difusão; o modelo não consegue resolver um template inadequado alterando sua simetria.
Custo Computacional: A amostragem requer 1.000 passos reversos, cada um avaliando uma rede equivariante sobre a célula completa, tornando o processo computacionalmente caro.
Escopo da Orientação: A orientação de propriedades foi demonstrada apenas para uma propriedade escalar (permissividade) dentro de um único sistema cristalino (cúbico). A aplicabilidade mais ampla em termos de propriedades e classes de simetria requer testes adicionais.