化学、生物与自动化实验室
突破级
暂无讲解视频
核心要点
- 问题/背景
- 这篇 Nature Communications 论文提出 DAO，用双 Siamese foundation model 处理从化学组成预测晶体结构的问题。晶体结构预测是材料发现中的基础瓶颈，难点在复杂三维几何和能量稳定性。
- 方法/机制
- DAO 集成结构生成器和能量预测器，先在稳定与不稳定结构的大规模数据上预训练，再让能量预测器参与放松不稳定构型并引导生成采样。
- 结果/证据
- 论文报告预训练能显著提升多个 benchmark 的结构预测表现，显示 foundation/pretrain-finetune 思路可以系统性进入晶体结构预测。
- 收录价值
- 收录价值在于它把生成式基础模型、能量引导和材料结构搜索结合起来，是 AI for materials 中具备长期复用价值的模型接口。
收录解读
这篇 Nature Communications 论文提出 DAO，用双 Siamese foundation model 处理从化学组成预测晶体结构的问题。晶体结构预测是材料发现中的基础瓶颈，难点在复杂三维几何和能量稳定性。
DAO 集成结构生成器和能量预测器，先在稳定与不稳定结构的大规模数据上预训练，再让能量预测器参与放松不稳定构型并引导生成采样。
论文报告预训练能显著提升多个 benchmark 的结构预测表现，显示 foundation/pretrain-finetune 思路可以系统性进入晶体结构预测。
收录价值在于它把生成式基础模型、能量引导和材料结构搜索结合起来，是 AI for materials 中具备长期复用价值的模型接口。
论文摘要
The paper presents Diffusion-based crystAl Omni (DAO), a pretrain-finetune framework for crystal structure prediction that integrates two Siamese foundation models: a structure generator and an energy predictor.