← 最新论文
🤖 机器学习

Diffusion Tree Sampling for Inference Time Adaptation of Crystal Generative Models

本文介绍了扩散树采样(Diffusion Tree Sampling, DTS),这是一种推理时自适应方法,它通过在去噪轨迹上进行蒙特卡洛树搜索,引导基于扩散的晶体生成模型向最优的多目标特性演化,而无需进行昂贵的模型重训练。

原作者: Daniel T. Levy, Vineet Jain, Tara Akhound-Sadegh, Sékou-Oumar Kaba, Siamak Ravanbakhsh

发布于 2026-11-16
📖 1 分钟阅读☕ 轻松阅读

原作者: Daniel T. Levy, Vineet Jain, Tara Akhound-Sadegh, Sékou-Oumar Kaba, Siamak Ravanbakhsh

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

寻找新材料是一场高风险的发现游戏,科学家们试图寻找能够形成具有特定用途属性的晶体原子组合。想象一下,你正在试图大海捞针,只不过这片“大海”是由所有可能的原子排列方式构成的,而那根“针”不仅要结构稳定,还要能以特定的方式导电或承受巨大的压力。几十年来,研究人员一直依赖强大的计算机模型来生成这些晶体结构,但这些模型往往会产生大量在化学上不可能实现或不稳定的候选结构。真正的瓶颈在于,检查一个晶体是否真正稳定需要运行极其昂贵且缓慢的模拟,对于单个候选结构可能需要耗费数天时间。因此,科学家们需要一种方法来引导计算机模型,使其从一开始就产生更好的候选结构,而不是生成数百万个无用的结构并寄希望于通过偶然发现其中几个好的。

麦吉尔大学和 Mila - 魁北克人工智能研究所的一个研究小组开发了一种新方法来解决这个问题,而无需重新训练那些生成晶体的庞大计算机模型。他们并没有尝试教模型一种新的思考方式(因为这既慢又贵),而是创建了一个在模型工作时进行的智能搜索过程。他们将这种方法称为“扩散树采样”(Diffusion Tree Sampling)。把计算机模型想象成一位雕塑家,正缓慢地从一块石头中凿去碎屑以显现出雕像。通常情况下,雕塑家一次只犯一个错误并向前推进。然而,这种新方法会在关键时刻让雕塑家停下来,并问道:“如果你在这里做了一次稍微不同的切割会怎样?”然后,它会同时探索好几条这样的“如果……会怎样”的路径,保留最有希望的路径并舍弃死路。通过这样做,系统可以在使用已有的预训练模型的同时,引导生成过程走向更有可能稳定且有用的晶体。

研究人员证明,这种方法在材料科学的多个不同挑战领域中都表现得非常出色。在一次测试中,他们利用该方法生成热力学稳定的晶体,即那些不易分解的晶体。与标准方法相比,该系统成功找到了更高数量的稳定晶体,并且随着研究人员允许计算机投入更多的工作量,这种优势变得更加显著。在另一个实验中,他们的目标是具有非常罕见内部对称性的晶体,具体来说是一种在已知晶体中出现比例不足 1% 的原子排列类型。标准模型几乎无法自行找到这些稀有结构。然而,通过将这种智能搜索与一个经过专门预调优、旨在寻找这些对称性的模型版本相结合,该团队找到这些稀有晶体的速率比以前提高了十倍。

这项工作的最显著成就或许在于它如何处理科学家需要平衡两个或多个相互冲突的目标的情况。在现实世界中,一种材料可能既需要是良好的电绝缘体,又需要具有大的能隙,但提高其中一个属性往往会使另一个属性变差。研究人员展示了他们的方法可以在单次搜索中探索这两个冲突属性之间所有可能的权衡范围。该系统不仅仅是找到一个“最佳”答案,而是产生了一系列多样化的晶体,每一个都代表了两个目标之间不同的平衡。这使得科学家能够看到完整的可能性图景,并选择最符合其特定需求的材料。

该方法之所以特别强大,是因为它具有灵活性,不需要研究人员从头开始重建底层的计算机模型。它可以利用已经针对特定任务进行过训练的现有模型,将其作为向导,同时确保最终结果仍然遵循基本的物理定律。研究人员还表明,即使引导模型与目标不是完美匹配——例如,使用一个旨在寻找致密晶体的模型来寻找具有高体积模量的晶体——他们的系统也可以纠正这种不匹配。这确保了最终的结果是由实际目标驱动的,而不是由向导的特性所驱动。

通过将计算精力从训练新模型转向生成过程中的智能搜索,这种方法提供了一条更高效的发现路径。它承认在材料科学领域,检查一个候选结构成本远高于生成它的成本。因此,投入更多的计算能力来确保生成的每一个候选结构都是高质量的,比生成大量的低质量结构是更好的策略。这项工作表明,材料发现的未来可能不在于更大的模型本身,而在于如何更聪明地利用我们现有的模型来导航那广阔而复杂的各种可能材料的空间。

您所在领域的论文太多了?

获取与您研究关键词匹配的最新论文每日摘要——附技术摘要,使用您的语言。

试用 Digest →