Nat. Mach. Intell. | 强化学习引导生成模型发现新型晶体结构
晶体材料发现需要在巨大的组合设计空间中寻找兼具新颖性、稳定性和潜在功能性的候选物。近年来,生成式人工智能已经能够采样化学上看似合理的晶体组成和结构,但仍面临一个核心问题:传统生成模型多以似然为目标,倾向于复现训练数据中的统计规律,因此更容易生成与已知材料相似的结构,而不是主动探索新颖、稀疏且可能具有科学价值的未知区域。研究人员提出 Chemeleon2,这是一个通过强化学习引导潜在去噪扩散模型发现多样且新颖晶体化合物的框架。该方法将组相对策略优化与可验证的多目标奖励结合起来,在生成过程中同时平衡创造性、热力学稳定性和多样性。除从头生成晶体外,研究人员还展示了面向目标带隙的性质引导设计。结果表明...