预测材料特性，首先需要构建其晶体结构。然而，现有的预测方法计算成本高昂，阻碍了材料科学的快速发展。利用高质量的候选结构预测晶体结构，有望突破这一瓶颈。雷丁大学的研究人员开发了一种名为crystallm的多功能晶体结构生成方法，该方法基于自回归大型语言模型 (llm)，并利用晶体学信息文件 (cie w _ s \ 7 h a ef) 格式。* _ _ = A f K O
CrystaLLM 历经数百万个 CIF 文件训练，能够对晶体结构进行文本建模，并生成各种未在训练数据中出现的无机化合物的晶体结构。此方法颠覆了传统的晶体结构表示方式，展现了LLM在%ignore_a_1%有效晶体化学模型方面的潜力，有望加速材料科学的发现和创新。这项研究成果已于2024年1v G E W \ 4 w2月6日发表在《Nature Com, / \ S Pmunications》期刊上，题为“基于自回归大型语言模型的晶体结构生成”。
在计算机辅助的材. – N j f P (料科学发现中，晶体结构预测 (CSP) 至关重要，它旨在根据特定物K ( ? T 7 a R P K理条件推导出给定化学成分的基态晶体结构。传统 CSP 方法依赖于计算成本极高的从头算技术，而CrystaLLM通过生成候N M D 5选结构来优化搜索过程( U n z &。 随着机器学习技术的进步，诸如自动编码器和生成对抗网络等6 # 7 $生成模型已被应用于晶体结构的生成。然而，将LLM应用于晶体结构的文本表示生成仍处于早期探索阶段。
CrystaLLM 的创新之处
CrystaLLM是专门为晶体结构生成而设计的L$ [ , = 9 KLM，它直接针对无机晶体结构的文本表示（CIF格式）进行训练，而非依赖于自然语言语料库或化学成分信息。 项目负责人Lu– ) ~ G F *is M. Antunes博士解释道，预测晶体结构如同拼凑一个复杂的多维拼图，而CrystaLLM能够高效地完成这项任务h c R ( . M X _ M。
该方法基于两个假设：首先，符号序列是许多预测任务（包括化学结构相关任务）的有效表示；其次，LLM不仅学习标记的条件概率分布，还可能学习目标现象的因果过程。n 5 B ~ X , + x ! CrF 3 d F bystaLLM是一个基于Transformer架构的解码器专用语言模型，在数百万个CIF文件上进行自回归训练= r 6 { Z。
训练过程中，模型学习预测CIF文件中的下一个标记。训练完成后，CrystaLLM可! z q ? W以根据初始标记序列生成新的CIF文件。 测试结果表明，CrystaLLE C F +M能够生成逼真的晶体结构，即使对于从未见过的材料也能胜任。
不同于依赖预定义模板的传统方法，CrystaLLM通过自回归训练隐式学N 4 1 k s C )习模板，并自动调整晶胞参数，生成新结构。与基于扩散的晶6 H @体生成方法相比，CrystaLLM在多个方面表现更优，并具有更高的灵活性。
局限性和未来展望
CrystaLLM目前存在一些局限性，例如无法生成无序结构，以及训_ M e n 6 9 p ? `练数据集的不一致性可能影响模型的学习效果。 然而，研究人员相信CrystaLLM将成为晶体结构生成的有力工具，并计划将其用于物理性质预测等任务。 CrystaLLM的架构使其具有良好的可扩展性，有望成为通用的材料, t d A u P 7信息学模型，应用于各种材料科学研究领域。
以上就是LLM学习原子` # S「结构语言」，生成未知化合物的晶体结构，登Nature子刊的详细内容！
原创文章，作者:【好易之】如转载请注明出处：https://www.zhengjiaxi.com/zxwd/itzx/120931.html
如有侵权，请邮件联系 aoduoye@qq.com 删除。
本站发布的文章及附件仅限用于学习和研究目的;不得将上述内容用于商业或非法用途，否则后果请用户自负。
本站信息来自网络，版权争议与本站无关。您必须在下载后的24个小时之内，从您的电脑中彻底删除上述内容。
如果您喜欢该程序，请支持正版软件，购买注册，得到更好的正版服务。如有侵权请邮件与我们联系处理。
微信扫一扫 
