Новая метрика CFTD на базе MACE улучшит генерацию кристаллических структур

Генеративные модели машинного обучения всё чаще применяются для создания неорганических кристаллических структур. Однако большинство таких моделей и методов оценки используют простые формы представления структуры кристалла, что ограничивает их точность и новизну.

В новой работе на arXiv исследователи предложили использовать усреднённые по атомам признаки из предобученных межатомных потенциалов машинного обучения (MLIP), в частности MACE, для решения этих задач. Это позволяет более полно учитывать физико-химические особенности материалов.

Авторы представили метрику Coarse-Fine Transport Distance (CFTD), которая оценивает выход генеративных моделей материалов, объединяя качество и новизну в едином подходе на основе распределений. Метрика использует два разных способа выделения признаков, причём компонент качества основан на грубых (coarse) признаках MACE.

Как показано в статье, CFTD хорошо справляется с оценкой качества кристаллических структур и одновременно способна выявлять случаи запоминания (memorization) генеративной моделью обучающих данных. Эффективность метрики также сравнивается с недавно представленными непрерывными SUN-метриками.

Кроме того, исследователи продемонстрировали, что грубые признаки MACE могут использоваться в качестве направляющей информации для генеративной модели материалов. Это открывает путь к более целенаправленному поиску новых соединений с заданными свойствами.

Работа размещена в архиве препринтов arXiv с идентификатором 2607.28776. По мнению авторов, предложенный подход способен повысить надёжность генерации и оценки кристаллических структур, что важно для ускорения открытия новых материалов.