🔬 materials science

DMFlow: Disordered Materials Generation by Flow Matching

本文介绍了 DMFlow，一种利用黎曼流匹配（Riemannian flow matching）和专门的图神经网络来有效生成无序材料（取代性、位置性及混合型无序）的新型生成式框架，其性能优于仅针对有序晶体设计的现有模型。

原作者： Liming Wu, Rui Jiao, Qi Li, Mingze Li, Songyou Li, Shifeng Jin, Wenbing Huang

发布于 2026-02-05

📖 1 分钟阅读☕ 轻松阅读

原作者： Liming Wu, Rui Jiao, Qi Li, Mingze Li, Songyou Li, Shifeng Jin, Wenbing Huang

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你是一位试图设计新建筑的大师级建筑师。长期以来，AI 建筑师非常擅长设计完美的、对称的摩天大楼。每一块砖都在精确的位置，每一扇窗户都完美对齐，结构在完美的图案中不断重复。科学家们称之为“有序晶体”。

但在现实世界中，许多最有用的材料并不是完美的摩天大楼。它们更像是拥挤、繁忙的市场或不完美的马赛克。在这些材料中，某些位置可能被不同类型的原子随机占据（取代性无序/Substitional Disorder），或者原子可能从理想位置稍微偏移，像在拥挤房间里的人群一样晃动（位置无序/Positional Disorder）。这些就是“无序晶体”，它们对于超导体和高强度合金至关重要。

直到现在，AI 建筑师还不知道如何设计这些混乱、不完美的建筑。它们只知道如何建造那些完美的建筑。

迎接 DMFlow：为不完美材料设计的建筑师

这篇论文介绍了一种名为 DMFlow 的新 AI 系统，专门用于生成这些“混乱”的材料。以下是它的工作原理，通过简单的概念进行拆解：

1. 通用蓝图（统一表示法）

想象一下，你有一份蓝图，可以用同一种语言来描述一座完美的建筑、一座部分砖块被随机替换的建筑，以及一座部分砖块略微歪斜的建筑。

旧方法： AI 模型必须将这些视为三个完全不同的问题。
DMFlow 的方式： 它使用了一种统一表示法（Unified Representation）。它观察材料中的每一个“位置”，并询问：“这个位置是 100% 的一种原子吗？还是两种原子的 50/50 混合？或者这里的原子是否向左或向右稍微偏移了？”它将所有这些可能性都视为一个单一、灵活系统的一部分。

2. 创造的“流”（流匹配）

把生成一种材料想象成调配颜料。你从一桶混沌、随机的噪声开始（就像一桶混合且未着色的沙子）。你想慢慢地将这种混沌变成一幅特定的、美丽的画作（即新的材料）。

过程： DMFlow 使用了一种称为**流匹配（Flow Matching）**的技术。它学习一种“电流”或“流”，将随机的沙粒推向它们正确、有序的位置。
转折点： 由于无序材料遵循一定的规则（例如概率之和必须等于 100%），AI 不能随心所欲地推动沙粒。它必须沿着一条特定的、弯曲的路径（“黎曼流形”）进行推动，以确保数学逻辑在物理上保持有效。
类比： 想象尝试将水倒入一组相连的杯子中，而水的总量必须始终恰好等于一加仑。如果你只是随机倾倒，可能会溢出或过载。DMFlow 使用一种特殊的“球面”映射，以确保水（概率）始终完美地契合在杯子中而不溢出。

3. 智能大脑（图神经网络）

为了确定向哪个方向推动沙粒，DMFlow 使用了一种被称为**图神经网络（GNN）**的特殊类型的大脑。

职责： 这个大脑观察每个原子如何与其他原子进行“对话”。
创新之处： 在完美的晶体中，原子 A 只是与它的邻居 B 交谈。但在无序晶体中，原子 A 可能同时存在于两个位置（概率性地），原子 B 也可能在两个位置。DMFlow 的大脑足够聪明，能够计算出所有可能位置组合之间的对话。这就像一位外交官，可以同时在四个不同版本的同一人之间进行谈判。

4. 最终决策（离散化）

在 AI 完成其“流”的过程后，它得到的是一个模糊的、概率性的图像。它会说：“这个位置是 60% 的铁和 40% 的镍。”但在现实世界中，一个位置要么是铁，要么是镍。

解决方案： DMFlow 使用了一个两阶段投票系统。
- 第一阶段： 如果 AI 非常确定（例如 99% 是铁），它就会将该位置锁定为铁。
- 第二阶段： 如果 AI 不确定（例如 60/40 比例），它会进行一次“委员会投票”。它使用五种不同的规则（例如“选取前 2 名”、“选取任何高于 20% 的项”等）来猜测最终的混合情况。如果大多数规则都对某个特定的组合达成一致，那么这就是最终答案。这确保了结果是物理真实的，而不仅仅是一个数学平均值。

5. 新的游乐场（基准测试）

因为以前从未有人尝试过做这件事，所以没有“健身房”来测试这个 AI。作者建立第一个公开的基准测试（Benchmark）（测试集），其中包含来自真实世界数据库的数千个这类混乱的、无序的晶体。

结果： 当他们测试 DMFlow 与其他被迫尝试适应这种混乱数据的 AI 模型时，DMFlow 轻松获胜。它在给定成分的情况下预测材料结构的能力更强，并且在从头开始发明全新的、稳定的无序材料方面也表现得更好。

总结

简而言之，DMFlow 是第一个理解现实世界并不总是完美的 AI。它不把无序视为错误，而是将其视为一种特性。通过使用特殊的数学流来处理概率规则，并使用智能投票系统来做出最终决策，它可以设计出下一代本质上是“混乱”但功能极其强大的先进材料。

技术摘要：DMFLOW

问题陈述

设计具有定制性能的材料是技术进步的一个基本目标。虽然深度生成模型最近加速了完美有序晶体的发现，但它们在很大程度上忽略了无序材料，这是一个包括高熵合金、固态电解质和超导体在内的广阔且具有重要技术意义的类别。

现有的生成方法在应用于无序晶体时面临三个主要障碍：

表示鸿沟（Representation Gap）： 当前的模型假设完美的周期性，即原子类型和坐标是确定性重复的。它们缺乏一种连贯的表示方式来处理取代无序（Substitutional Disorder, SD）（即不同的物种概率性地占据同一位点）和位置无序（Positional Disorder, PD）（即原子偏离理想位置）。
约束违反（Constraint Violation）： 无序权重（占据概率）必须形成有效的概率分布（在单纯形上求和为一）。标准的欧几里得生成模型难以在不产生数值不稳定或无效输出的情况下强制执行这些单纯形约束。
缺乏基准（Lack of Benchmarks）： 目前还没有建立用于无序晶体生成建模的公开基准，这阻碍了系统的评估。

方法论：DMFlow

为了解决这些挑战，作者引入了 DMFlow，这是第一个专门为无序晶体设计的深度生成框架。该方法论基于四个支柱：

1. 统一表示

DMFlow 为每个晶格位点 $i$ 提出了一个统一的元组 $(s_i, f_i, w_i, f'_i)$ ：

$s_i$ （取代向量）： 一个位于 $(D-1)$ -单纯形上的概率向量，代表位点 $i$ 不同原子物种的占据概率。这推广了有序晶体中使用的 one-hot 向量。
$f_i$ （主坐标）： 主位置的分数坐标。
$w_i$ （位置向量）： 一个位于 1-单纯形（二元情况）上的概率向量，代表两个可能位置的占据概率。
$f'_i$ （次要坐标）： 次要位置的分数坐标。

这种公式化表达能够在一个统一的框架内无缝容纳有序、SD 和 PD 晶体（以及混合 SPD 结构）。

2. 黎曼流匹配（Riemannian Flow Matching）

生成过程利用了针对非欧几里得流形进行适配的条件流匹配（Conditional Flow Matching, CFM）：

晶格与坐标： 在欧几里得空间和环面（用于分数坐标）上使用标准的流匹配，遵循 FlowMM 的设置。
无序权重（单纯形约束）： 为了确保物理上有效的无序权重，作者在概率单纯形上采用了黎曼流匹配（Riemannian Flow Matching）。他们利用球面重参数化（ $\pi(\mu) = \sqrt{\mu}$ ）将单纯形映射到单位球的正交部分。这种变换将 Fisher-Rao 度量转换为球面距离，从而实现了稳定的测地线插值，并避免了与直接单纯形实现相关的数值不稳定问题。

3. 新型图神经网络（GNN）骨干网络

一个专门的 GNN 用于学习流匹配过程中的向量场。其关键架构特征包括：

无序感知初始化： 节点特征通过投影连续的取代向量 $s_i$ 和时间步进行初始化，而不是依赖于 one-hot 编码。
多交互边嵌入： 为了捕捉 PD 系统中的复杂相互作用，网络通过考虑原子对 $(i, j)$ 之间所有位置状态的组合来计算边特征。这些相互作用由联合占据概率（ $w_{i,a}w_{j,b}$ ）进行加权，确保模型尊重结构的概率性质。
对称性强制： 该架构强制执行关键的物理对称性，包括周期不变性。

4. 两阶段离散化

由于生成模型输出的是连续概率向量，因此需要一个鲁棒的离散化程序将其转换为离散的原子分配（multi-hot 向量）：

第一阶段（有序位点识别）： 识别具有高概率锐度（最大概率与第二大概率之比）的位点作为有序位点，并分配一个 one-hot 向量。
第二阶段（集成投票）： 对于无序位点，五种互补的启发式方法（Top-k、绝对阈值、百分位数、自适应阈值、基于熵的方法）生成候选 multi-hot 向量。最终的分配是通过这些候选者的多数投票决定的，从而减轻了单一启发式方法的偏差。

核心贡献

DMFlow 框架： 一个能够表示和生成取代无序和位置无序的统一生成模型，并将流匹配扩展到了用于无序权重的黎曼流形。
首个无序材料基准： 构建并发布了一个基准数据集（源自 Crystallography Open Database），包含 SD、PD 和混合 SPD 结构，并按原子数量（20 和 50 个原子）进行划分。
实证验证： 在晶体结构预测（CSP）和从头生成（DNG）任务上进行了全面的评估，证明了其优于适配后的基准模型的性能。

结果

实验在构建的基准数据集（COD-SD 和 COD-SPD 数据集）上进行，将 DMFlow 与最先进的有序晶体生成器的适配版本进行了比较：DiffCSP、MatterGen 和 FlowMM。

晶体结构预测 (CSP)：
- 在纯 SD 数据集上，DMFlow 的表现与 FlowMM-Prob（表现最好的基准变体）相当。
- 在混合无序（SPD）数据集上，DMFlow 显著优于所有基准模型。例如，在 COD-SPD-50 上，DMFlow 实现了 45.87% 的匹配率（Match Rate） 和 0.0725 的 RMSE，而 FlowMM-Prob 分别为 44.00% 和 0.0887。
- 在处理位置无序时，该统一框架比基准模型使用的图拆分适配方法更具鲁棒性。
从头生成 (DNG)：
- 消融研究证实，单纯形约束（黎曼流）至关重要；移除该约束会导致成分有效性大幅下降（例如，在 COD-SD-20 上从 ~69% 降至 ~30%）。
- 多交互建模显著提高了结构有效性和精度。
- 完整的 DMFlow 模型在所有数据集上都实现了有效性、覆盖度和属性对齐的最佳平衡。
数据增强： 统一表示允许在训练期间包含有序晶体数据，这进一步提高了无序测试集上的匹配率并降低了 RMSE。

重要性与声明

作者将 DMFlow 定位为 AI 驱动的无序材料发现 的基础性一步。他们声称，通过超越完美周期性的假设，他们的工作解决了材料科学生成建模中的一个关键空白。

论文强调：

无序材料对于高熵合金和超导体至关重要，但其概率性质此前阻碍了生成模型的直接应用。
提出的带有球面重参数化的黎曼流匹配为生成无序权重提供了一种稳定且物理有效的机制，这是以往基于欧几里得的方法所缺失的能力。
统一表示简化了生成任务，并实现了混合数据训练，证明了有序和无序结构可以在同一个架构内进行建模。

作者总结道，DMFlow 在预测给定成分的结构和从头发现新材料方面均展示了极具前景的表现，为该领域的未来研究提供了必要的奠基。他们明确表示，虽然这项技术功能强大，但他们优先考虑透明度和可复现性，以减轻潜在的误用风险。