🔬 materials science

Symmetry- and Property-Aware Crystal Generation with Reinforcement Learning for Inverse Materials Design

本文介绍了 SPARC，这是一个用于逆向材料设计的强化学习框架，通过显式地保留这些属性在物理上具有意义且稳健所需的本质晶体学对称性，从而生成具有所需物理属性的晶体结构。

原作者： Ting-Wei Hsu, Arun Bansil, Qimin Yan

发布于 2026-09-15

📖 1 分钟阅读☕ 轻松阅读

原作者： Ting-Wei Hsu, Arun Bansil, Qimin Yan

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

物理世界是由晶体构建而成的，这些由原子组成的庞大且重复的模式赋予了材料独特的特性。一种物质是导电、折射光线还是耐热，不仅取决于存在哪些原子，还取决于这些原子在空间中如何排列。这种排列遵循严格的对称性规则，即几何平衡，决定了形状在旋转或翻转时的外观。在发明新材料的过程中，科学家们经常试图设计出能够执行特定任务的结构，例如为太阳能电池捕获阳光或为照相机镜头过滤光线。然而，一个主要挑战已经出现：计算机可能会设计出一个在理论上看起来完美的结构，拥有正确的能量或光吸收数值，但由于其原子排列缺乏实现这些特性所需的对称性，导致在现实中失效。如果没有正确的几何基础，材料的理想行为可能只是偶然现象、不稳定或在物理上无法持续存在。

东北大学的研究人员开发了一种新方法来解决这个问题，创建了一个在设计晶体时严格遵守其几何规则的系统。他们将该系统称为 SPARC。SPARC 并非在设计完成后才将对称性作为二次检查，而是将对称性构建在创作过程本身之中。该系统使用一种被称为强化学习的人工智能类型，在这种学习中，计算机程序通过试错进行学习，通过获得好设计的积分并因坏设计而失分。在这种情况下，程序获得的奖励不仅在于达到一个目标数值（如特定的能量效率），还在于在实现该目标的同时，保持了该目标存在所需的精确晶体对称性。研究人员在两个不同的挑战上测试了这种方法。首先，他们要求系统创建能够根据方向强烈分离光的晶体，这种特性被称为单轴介电各向异性。这种特性仅存在于具有特定旋转对称性的晶体中，例如具有三、四或六重轴的晶体。其次，他们要求系统最大化太阳能电池的理论效率，这一目标并不要求单一特定的对称性，而是需要光吸收与能隙之间的复杂平衡。

结果表明，该系统成功地应对了这些不同的需求。当被要求创建具有方向性分光能力的晶体时，程序学会了倾向于那些能自然强制执行所需对称性的特定晶体族。它生成的结构保证了原子排列使得光在平面内的所有方向表现一致，但在垂直方向表现不同。至关重要的是，研究人员发现，如果没有这种内置的对称性意识，计算机经常会产生一些在模拟中看起来有效、但实际上只是幸运巧合的结构。如果原子稍微移动，理想的特性就会消失，因为它没有受到晶体几何结构的保护。通过迫使计算机从一开始就只生成具备正确对称性的结构，团队确保了所得材料的稳健性和物理上的可实现性。该系统产生的顶级候选材料之一是一种由镉、锡和溴组成的晶体，它展示了研究人员所寻求的精确的方向性光特性，并通过详细的计算机计算得到了证实。

在第二个专注于太阳能电池效率的任务中，该系统面临着不同的挑战。由于高效率在理论上可以来自许多不同类型的晶体结构，程序不需要锁定在单一的对称群上。相反，它探索了广泛的化学组合，并发现某些元素（特别是硫和锑）在最佳设计中变得更加常见。系统成功地将其搜索集中在具有合适能隙以高效捕获阳光的材料上，同时仍保持了多样化的晶体形状。这证明了该方法具有适应性：当一种特性要求特定的对称性时，系统会找到它；当一种特性允许多种可能性时，系统则会广泛探索以寻找最佳的化学配方。该研究还将这种对称性感知方法与在生成阶段忽略晶体规则的标准方法进行了对比。标准方法产生了许多看起来很有前景的结构，但在松弛后坍塌成低对称性形式，失去了它们本应具备的特性。相比之下，对称性感知方法始终能产生即使在经过严格测试后仍能保持高性能特征的晶体。

这项工作为材料发现开辟了一条新路径，即不再将自然的几何规则视为需要后期克服的障碍，而是将其作为构建设计的基石。通过将这些规则直接整合到学习过程中，该系统可以生成不仅在数值上最优，而且在物理上合理的候选材料。研究人员使用模拟真实世界物理现象的高级计算机模拟验证了他们的顶级发现，证实了生成的晶体（如蓝磷的一种层状形式）确实拥有预测的特性。这种方法不仅仅是寻找在屏幕上看起来不错的材料，它寻找的是那些极有可能在现实世界中发挥作用的材料，因为它们的行为植根于其原子结构的根本对称性。随着该领域向设计更复杂、更功能化的材料迈进，这种方法提供了一种确保设计不仅是数学上的奇思妙想，而且是应对能源、光学和技术挑战的稳健且可实现的解决方案的方法。

技术摘要：基于强化学习的对称性与性质感知晶体生成 (SPARC)

问题陈述
晶体材料的反向设计旨在识别具有特定物理性质的结构。然而，许多功能性响应（如介电各向异性、非线性光学效应和对称性保护的电子现象）不仅取决于成分，还从根本上受限于底层晶格的对称性。现有的生成模型，特别是基于扩散或连续坐标表示的模型（例如潜在扩散模型），通常针对标量目标（如形成能或带隙）进行优化，而未能显式地保持晶体学对称性。因此，这些模型生成的结构可能在数值上满足目标性质，但缺乏使该性质在物理上稳健或定义明确所需的对称性。例如，生成的晶体可能会表现出偶然的介电各向异性，这种各向异性在微小的结构畸变下会发生坍缩，或者无法存在于所需的点群中。目前迫切需要一种能够同时优化功能目标并严格遵循这些目标在物理上可容许的对称性条件的生成框架。

方法论：SPARC 框架
作者引入了 SPARC（用于晶体生成的对称性与性质感知强化学习），该框架将对称性约束的扩散生成器与强化学习（RL）相结合，以在保持结构对称性的同时优化物理目标。

对称性约束生成骨干网络：
SPARC 利用 SymmCD，这是一种在不对称单元表示中生成晶体的扩散模型。该模型不是在连续的 3D 空间中对原子进行扩散，而是采样一个空间群 $G$ 和代表性位点数量 $M$ 。随后，它对不对称单元 $M' = (A', F', \Sigma', k)$ 进行去噪，其中包含原子类型、分数坐标、位点对称性标签和受对称性约束的晶格基矢。完整的晶体通过将 $G$ 的操作应用于这些代表性单元来重建。这确保了每个生成的结构都天生具备所采样空间群的对称性。
强化学习循环：
该框架采用双环 RL 策略来引导生成过程趋向目标性质：
- 内环（策略优化）： 使用奖励加权策略梯度对扩散策略 $p_\theta$ 进行微调。其目标是最大化期望终端奖励 $r(M)$ ，同时通过 Kullback–Leibler (KL) 散度惩罚保持与预训练生成器 $p_{pre}$ 的接近程度。这可以防止“奖励作弊”（reward hacking）并保留预训练期间学到的广泛化学和结构覆盖范围。
- 外环（空间群提议）： 由于扩散策略以固定的空间群 $G$ 为条件，且无法改变 $G$ 本身的分布，SPARC 实现了一个自适应外环。它根据已实现空间群的累积奖励来更新提议分布 $\pi^{(j)}(G)$ 。这使得框架能够将采样概率转向支持目标性质的对称性类别，同时保持一个“概率底线”以防止过早坍缩到单一的低对称性群。
奖励评估：
生成的结构使用机器学习原子间势（MatterSim）进行弛豫，并通过稳定性、唯一性和新颖性（S.U.N.）进行过滤。目标性质使用代理模型（改进的张量谱等变神经网络，TSENN）进行评估，以分配终端奖励。

关键结果
作者在两个互补的反向设计任务上评估了 SPARC：

单轴介电各向异性（对称性敏感型任务）：
- 目标： 最大化面内 ( $\varepsilon_{\parallel}$ ) 与面外 ( $\varepsilon_{\perp}$ ) 介电响应之间的对比度，这要求 $\varepsilon_{xx} = \varepsilon_{yy} \neq \varepsilon_{zz}$ 。这种张量形式仅在三方、四方和六方晶系中由对称性强制执行。
- 结果： 在 120 个 RL 步之后，平均奖励从 0.17 增加到 0.56。空间群分布发生了显著偏移，三方、四方和六方空间群（如 $P\bar{3}1m$ 、 $P4_2/mnm$ ）构成了约 44% 的生成结构。
- 消融研究： 将 SymmCD（对称性感知）与 DiffCSP（对称性无关）进行对比，揭示了巨大的差异。虽然两者实现了相似的数值奖励，但 DiffCSP 生成的结构主要为 $P1$ 或 $P\bar{1}$ （未弛豫时占 90%），依赖于偶然的各向异性。SymmCD 则在 50.1% 的案例中强制执行了高阶旋转轴（3 轴、4 轴、6 轴），在寻找对称性保护候选材料方面的效率提高了 35 倍。
- 验证： 第一性原理 DFT 验证确认，诸如蓝磷（Blue Phosphorus, $P3_1$ ）和 $ZrTi_2O_6$ ( $P\bar{3}1m$ ) 等候选材料在弛豫后仍保留了其对称性强制的单轴各向异性，其中蓝磷的 $\varepsilon_{\parallel}/\varepsilon_{\perp}$ 比值约为 3.46。
光谱限制最大效率 (SLME)（对称性无关型任务）：
- 目标： 最大化单结光伏吸收体的 SLME ( $\eta$ )，这是一个依赖于全频率分辨率光学响应和带隙的标量目标，且没有预设的对称性类别。
- 结果： 微调使种群从低带隙/低效率区域转移到了目标区域（ $E_g \approx 0.8\text{--}1.9$ eV， $\eta \ge 25\%$ ）。满足这些标准的结构比例从 11% 增加到 32%。
- 多样性： 与介电任务不同，SLME 任务并未导致对称性分布坍缩。立方 $Fm\bar{3}m$ 群仍占据主导地位，但正交（$Pnma $）和三斜（$ P\bar{1}$）群也增加了普遍性。化学多样性得到了保留（涵盖 46 种元素），并在硫和锑方面有所富集，这与已知的光伏材料一致。

意义与主张
本文声称，SPARC 证明了对称性和功能性质必须共同进行优化，而非作为独立的阶段。

对称性作为物理基础： 作者认为，对称性不仅仅是一个额外的约束，更是一个物理基础。如果没有对称性，生成的响应可能是定义不明、偶然或不稳定的。
需要对称性感知的骨干网络： 消融研究明确表明，仅靠奖励优化本身无法保证对称性保护的性质；必须使用对称性感知的生成骨干网络来强制执行实现该物理现象所需的结构条件。
自适应发现： 当对称性类别并非预先已知时（如 SLME 任务），SPARC 可以识别有利的对称性类别；或者在需要时强制执行特定的类别（如介电任务）。
鲁棒性： 通过生成既满足电子/光学约束又满足晶体学合理性的候选材料，SPARC 产生的候选材料比标准生成模型更具现实性，且更有可能在实验中可行。

这项工作为反向材料设计建立了一条路径，即搜索过程不仅受高性能材料的引导，还受到能够通过其固有对称性支撑目标响应的结构的引导。

技术摘要：基于强化学习的对称性与性质感知晶体生成 (SPARC)

类似论文