🤖 machine learning

Discovering Crystal Structure Prediction Algorithms with an AI Co-Scientist

本文介绍了 HACO，一种利用跨领域搜索和稀疏人类引导将 MaskGIT 视觉模型适配为 MaskGXT 的人机协同发现系统，后者是一种用于晶体结构预测的最先进算法，在标准基准测试中实现了卓越的准确度。

原作者： Kiyoung Seong, Nayoung Kim, Sungsoo Ahn

发布于 2026-06-23

📖 1 分钟阅读☕ 轻松阅读

原作者： Kiyoung Seong, Nayoung Kim, Sungsoo Ahn

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，你正试图搭建一座完美的乐高城堡，但你没有说明书。你只知道你拥有的乐高积木清单（即化学成分）。你的目标是将这些积木拼凑在一起，创造出一个稳定且美观的结构。这就是晶体结构预测 (Crystal Structure Prediction, CSP) 的挑战：弄清楚原子是如何排列成固体晶体的。

长期以来，科学家们尝试通过编写自己的计算机程序来解决这个问题，通过猜测排列方式。但在本文中，来自 KAIST 的研究人员引入了一种新方法：他们让一个 AI“共同科学家” (AI Co-Scientist) 来亲自摸索出编写程序的最佳方式。

以下是他们是如何实现的，用简单的语言进行了解释：

1. AI 共同科学家 (HACO)

把研究人员想象成“项目经理”，而把 AI 想象成一位才华横溢、不知疲倦的“初级工程师”。

目标： 经理们告诉 AI：“我们需要一个能根据化学清单构建稳定晶体的程序。”
转折点： 他们并没有告诉 AI 如何去构建它（例如，“使用这个特定的数学公式”），而是给了它一个来自其他领域的庞大创意库，比如计算机视觉（计算机如何“看”图像）和语言处理。
搜索过程： AI 开始测试数千种不同的想法。这就像一位厨师尝试意大利、日本和墨西哥的食谱，看看哪一种能做出最好的蛋糕。大多数想法都失败了，但 AI 始终在尝试，并从每一次错误中学习。

2. 重大发现：借鉴视觉领域

AI 在一个完全不同的领域找到了“秘密配方”：计算机视觉。
有一种名为 MaskGIT 的技术，用于修复模糊或缺失的部分的图像。想象一个拼图，其中一些碎片被遮住了；AI 会观察周围的碎片，并猜测遮盖物下方是什么。

AI 意识到：“嘿，晶体就是一个 3D 拼图！如果我把晶体看作一张带有缺失部分的图片，我就可以使用这种‘猜测’技术来构建它。”
这是一个巨大的飞跃，因为此前从未有人尝试将这种特定的“图像修复”方法用于构建晶体。

3. 人类的触感：稀疏引导 (Sparse Steering)

AI 并非孤军奋战。人类科学家充当了向导的角色。

他们不编写代码，也不微调设置。
相反，他们提供高层级的提示，例如：“嘿，晶体具有对称性（如果旋转它们，看起来是一样的），所以确保你的猜测符合这一特性，”或者“有时相同的成分可以形成不同的形状（多晶型），所以尝试找到所有可能的形状。”
AI 接收了这些提示，并据此重写了自己的代码以包含这些规则。

4. 最终成果：MaskGXT

最终的产品是一个名为 MaskGXT 的新 AI 模型。

工作原理： MaskGXT 并不像画家那样连续地绘制晶体（如色彩融合），而是将晶体视为由单词组成的句子。它将晶体分解为“标记”（Tokens，即代表形状、角度和对称性的乐高积木）。
过程： 它从一张白纸开始（所有标记都被遮盖/隐藏），然后逐一填补空白，利用置信度为每个位置挑选出最合适的“单词”（或积木块）。
“多晶型”技巧： 由于一组成分可以制造出不同的形状，AI 不仅仅是猜测一种形状。它会先观察“对称性”线索，然后分支展开，同时尝试多种高概率的形状，从而确保不会错过任何有效的选项。

5. 它成功了吗？

是的，它击败了竞争对手。

研究人员在标准晶体数据库（MP-20 和 MPTS-52）上测试了 MaskGXT。
得分： 在寻找不同形状（多晶型）时，它能匹配正确的晶体结构高达 79% 的时间，而之前的最佳方法约为 71%。
它也在标准测试中获得了最高分，证明它比旧方法更准确，且能更好地找到正确的形状。

核心启示

这篇论文不仅仅是关于一种新的晶体构建工具。它是一个概念验证，证明了 AI 可以帮助发现新的科学方法。

AI 观察了其领域之外的世界（借鉴了视觉领域）。
它将这种方法与人类的引导（对称性规则）相结合。
它构建出了一个人类可能难以独立设计出的更优算法。

研究人员称之为“人类–AI 共同发现 (Human–AI Co-discovery)”。这表明，当人类设定目标并提供高层级提示，而 AI 承担繁重的搜索和编码工作时，他们可以比以往更快、更好地解决困难的科学难题。

技术摘要：利用 AI 科研副驾驶发现晶体结构预测算法

问题陈述
晶体结构预测（CSP）是计算材料发现中的核心挑战，需要从化学成分生成稳定的晶体结构。该问题受到周期性（晶体在空间中重复）、分数坐标存在于环面（torus）上、空间群对称性以及单一成分存在多种多晶型（polymorphs）等约束。虽然最近在生成式建模（如扩散模型、流匹配）方面的进展改进了 CSP，但这些方法通常依赖于连续表述，需要随机或迭代采样，缺乏用于置信贪婪解码（greedy decoding）的有限离散决策空间。此外，现有的 AI 研究智能体通常在固定的问题规范内运行，即针对给定的模型族优化代码或超参数，而不是跨领域发现新的建模原理。

方法论：HACO 系统
作者引入了 HACO（人类-AI 协同发现系统），这是一个旨在通过跨领域搜索和稀疏人类引导来发现科学算法的框架。HACO 基于两个核心原则运行：

跨领域迁移： 智能体不是对现有的领域特定模型进行扰动，而是在来自不同领域（视觉、语言等）的生成式建模框架中进行搜索，以识别可迁移的原理。
稀疏人类交互： 人类提供高层目标或机制（例如“提高多晶型覆盖率”或“纳入对称性”），而智能体负责处理实现、训练、评估和优化。

HACO 采用由 LLM（Claude Opus 4.7）编排的树状结构搜索。搜索分为三个阶段：

发现阶段： 寻找生成式方法论（每个候选方案 2 小时预算）。
规模化阶段： 使用更大的预算（12 小时预算）优化选定的方法论。
采样优化： 调整采样算法。

关键算子包括 idea（提出跨领域框架）、draft（实例化代码）、improve（进行连贯性修改）和 debug。idea 算子特别识别出来自计算机视觉的掩码生成模型 MaskGIT 是一个极具前景的候选方案。

生成的算法：MaskGXT
通过 HACO 过程，该系统开发了 MaskGXT（掩码生成晶体 Transformer）。与连续扩散模型不同，MaskGXT 将 CSP 表述为一个离散的标记（token）生成任务。

标记化（Tokenization）： 一个晶体被表示为一个包含 $1 + 6 + 5N$ $1 + 6 + 5 N$ 个标记的序列：
- 1 个空间群标记。
- 6 个晶格标记（量化的长度和角度）。
- $5N$ 个位点标记：3 个量化的坐标标记、1 个维科夫（Wyckoff）位置标记和 1 个原子类型标记。
- 原子类型作为侧信息（条件）提供。
离散化与平滑： 连续的分数坐标被映射到圆上的离散箱（bins）（模 1）。为了保留度量结构，模型对坐标使用了序数循环标签平滑（ordinal, circular label smoothing），对晶格参数使用标准的序数平滑，而不是将其视为无序的类别。
对称性处理： 通过在线增强（欧几里得归一化原点偏移和轨道内/间置换），模型学习如何在不同的单胞原点和原子排序下分配一致的空间群和维科夫标记。
架构： 双向 Transformer 主干，具有 QK 归一化的自注意力机制和 SwiGLU 前馈网络。它包含一个轻量级的回归头，用于预测子箱偏移（sub-bin offsets），从而在离散箱分辨率之外提升几何精度。
采样：
- 空间群分层采样： 模型预测空间群的后验分布。为了实现多晶型覆盖，生成过程会分支到针对最高后验概率的空间群的独立流中。
- 置信度排序的贪婪解码： 模型并非进行随机采样，而是确定性地解掩码（unmask）具有最高置信度的标记（argmax），从而实现高效生成高概率结构。

核心贡献

HACO 框架： 证明了在人类稀疏目标的引导下，AI 科研副驾驶可以识别一种可迁移的建模原理（来自视觉领域的 MaskGIT），并将其适配到科学领域（CSP），从而产生一种最先进的算法。
MaskGXT： 引入了一种离散掩码生成晶体 Transformer，将晶格、坐标、空间群和维科夫位置统一到一个标记序列中，实现了置信的贪婪解码和显式的对称性处理。
性能提升： 表明单个 MaskGXT 模型在标准基准测试上实现了最先进的匹配率（match rates），并显著提高了多晶型覆盖率。

实验结果
模型在 MP-20 和 MPTS-52 基准测试以及 MP-20 多晶型拆分集（测试每个成分多个结构的覆盖情况）上进行了评估。

标准 CSP（一对一）： MaskGXT 在 MP-20（未过滤 73.79%）和 MPTS-52（未过滤 36.75%）上均实现了最高的匹配率（MR），优于 Crystalite、MCFlow 和 FlowMM 等强基准模型。它还实现了最低的匹配对 RMSE。
多晶型覆盖率 (METRe)： 在 MP-20 多晶型拆分集上，MaskGGT 达到了 79.06% 的全员匹配参考值（Match-Everyone-to-Reference, METRe） 准确率，而最强基准模型 Crystalite 为 70.87%。这一改进归功于空间群分层采样，该技术将生成预算分配给不同的高概率空间群。
消融实验：
- 移除对称性标记导致 MP-20 多晶型拆分集的 METRe 大幅下降，证实了显式对称性建模对于覆盖率的必要性。
- 移除子箱偏移回归对匹配率影响极小，但显著增加了 RMSE，证明了其在几何精度方面的作用。
- 贪婪解码提高了单结构准确率，而分层采样对于多晶型覆盖至关重要。

意义与主张
论文声称，在具有“廉价、快速且对齐良好验证”（如具有自动化结构匹配功能的 CSP）的领域中，受迁移引导的交互式 AI 科研副驾驶可以为科学算法的发现做出贡献。具体而言，该系统成功地：

从无关领域（视觉中的掩码生成建模）识别出一种建模原理，并将其适配到晶体学的约束中。
将这种迁移与有针对性的人类领域指导（例如要求对称性感知生成）相结合，以精炼算法。
产生了一个具有竞争力的算法，在无需人类指定底层实现细节的情况下，推进了标准基准测试。

作者指出，这一闭环的成功依赖于 CSP 问题的特定结构（固定的数据集、快速的训练周期和可靠的验证指标）。他们建议，若要将此方法扩展到具有物理实验或弱代理目标的领域，则需要更结构化的评估和更强的人类引导。