对应论文
JANUS: A Multi-modal Foundation Neural Sampler for Disordered Materials
视频简介
无序材料的热力学采样问题需要考虑原子种类和结构的耦合变化,构成了离散-连续联合采样的高维难题,传统方法(如蒙特卡洛)计算成本极高。 JANUS 是一种多模态神经采样器,通过等变图神经网络耦合连续与遮蔽离散扩散,直接从能量评估中训练,无需预生成的平衡数据。它统一了原子身份与结构/体积弛豫的采样。 在伊辛和等压ΔμNPT合金体系中,JANUS 用少于三个数量级的能量评估复现了参考蒙特卡洛平衡可观测量,恢复了自由能和相行为。在多组分合金中可实现条件控制,并与大语言模型演化智能体结合进行反向设计。在半导体中探索了15种元素的高斯μVT系综,恢复了硅E中心等已知缺陷,并发现了经杂化泛函DFT验证的新缺陷对/三重态。 JANUS 为无序材料的热力学采样、表征和反向设计提供了一个通用基础,展现了AI for Science的潜力。但作为单篇论文,其范式级别的长期影响力尚待验证,需要更多跨系统和社区的采用。