晶体结构预测不再只看模型架构:DSADiff把复杂度与元素失衡写进训练,Carbon-24匹配率从43.60升到52.61
核心概要
扩散模型从化学组成生成三维晶体结构时,不同数据集上的表现差异很大,此前多归因于网络架构或坐标与晶格的联合建模。DSADiff先把晶体复杂度和元素组成失衡合成为一个统一的生成难度描述,再用它同时调节特征表示和训练过程。在Carbon-24、MP-20和Perov-5三个基准上,单次生成候选结构时匹配率与RMSE均优于重新实现的DiffCSP和TGDMat(Long),其中Carbon-24匹配率由43.60升至52.61。
深度剖析
晶体结构生成的表现差异不只来自模型架构,还来自数据本身的结构复杂度与元素组成分布;把这两项显式建模后,同一扩散框架在三个基准上的匹配率与几何误差同时改善。 此前的扩散式晶体结构预测主要从网络架构、物理先验或条件信息入手,对数据侧的分析多停留在数据集规模和化学空间覆盖,晶体复杂度与元素组成失衡对学习过程的影响基本未被考察。 在Perov-5、Carbon-24和MP-20三个基准上,每个测试样本只生成一个候选结构,DSADiff的匹配率与RMSE均优于统一实验设置下重新实现的DiffCSP和TGDMat(Long);Carbon-24上匹配率为52.61、RMSE为0.2127,对应TGDMat(Long)的43.60和0.3567。
做法是先把每个样本的生成难度写成一个描述符,再让这个描述符在特征层和训练层各起作用。 描述符由三部分构成:归一化元素熵衡量组成多样性,晶胞原子数经对数归一化衡量结构尺度,原子间最小镜像距离分布的离散程度衡量局部几何复杂度;元素组成失衡则由该组成在训练集中的出现频次刻画。 特征层用条件仿射变换把难度描述符变成逐样本的缩放与平移参数,注入扩散网络的中间特征;训练层按复杂度调整结构约束,并按组成频次逐步扩大训练样本范围,使学习重心从高频组成移向低频组成。
启示与展望
演示范围是Perov-5、Carbon-24和MP-20三个公开晶体结构预测基准,每个测试样本只生成一个候选结构,匹配判定使用pymatgen的StructureMatcher;所有比较都针对统一实验设置下重新实现的DiffCSP和TGDMat(Long),而非各自原论文报告的数字。机制分析以MP-20为主数据集,Perov-5和Carbon-24作为补充验证,且分析阶段使用不带文本条件的DiffCSP。后续计划把方法扩展到高熵材料等更复杂化学体系,并研究性质引导的逆向材料设计。
复杂度指标的三项权重按领域知识经验设定,未在评估性能上优化;局部几何复杂度项对采样策略、晶胞表示和距离统计较敏感。Carbon-24全部由碳组成,元素熵项贡献趋近于零;Perov-5共享同一结构原型,结构尺度变化有限;两者对机制结论只作补充验证。高频组成组的匹配率提升幅度较小,作者将其归因于基线在该组已有充分表示。
