Guiding Generative Models to Uncover Diverse and Novel Crystals via Reinforcement Learning
Hyunsoo Park and Aron Walsh
发现功能性晶体材料需要导航一个巨大的组合设计空间。 虽然生成式人工智能的最新进展使化学上合理的成分和结构得以采样,但一个基本挑战仍然存在:生成建模中基于可能性的采样与针对新化合物存在的未开发区域之间的客观错位。 在这里,我们引入了一个强化学习框架,该框架将潜在的去噪扩散模型引导到多样化和新颖但热力学上可行的晶体化合物。 我们的方法将群体相对政策优化与可验证的多目标奖励相结合,共同平衡创造力,稳定性和多样性。 除了新世代之外,我们还展示了增强的属性引导设计,保留了化学有效性,同时针对所需的功能特性。 这种方法为可控的AI驱动的逆向设计奠定了模块化基础,解决了生成模型科学发现应用的新奇有效性权衡。
Discovering functional crystalline materials entails navigating an immense combinatorial design space. While recent advances in generative artificial intelligence have enabled the sampling of chemically plausible compositions and structures, a fundamental challenge remains: the objective misalignment between likelihood-based sampling in generative modelling and targeted focus on underexplored regions where novel compounds reside. Here, we introduce a reinforcement learning framework that guides ...