PRISMat：策略驱动、排列不变的自回归材料生成

arXiv:2605.16612v1 发布类型：新 摘要：快速识别具有目标特性的候选材料已成为材料科学的关键任务。机器学习已经成为基于物理的模拟的替代方案，提供了一种更快、更便宜的方法来根据材料的稳定性和其他目标特性来过滤材料，从而减少到达昂贵的合成阶段的候选材料的数量。最近，大型语言模型（LLM）已应用于此角色，但这些模型在训练和推理时参数繁重且计算成本昂贵，使得它们不适合高吞吐量任务。这种低效率源于语言模型的大量过度参数化以及将材料生成构建为序列学习问题的困难。在本文中，我们提出了 PRISMat，一种具有成本效益的排列不变模型，它解决了这些局限性。我们证明，尽管 PRISMat 的推理时间较少，但在生成以关键材料表面特性为条件的晶体板方面，其性能优于法学硕士。在目标材料发现中，我们的解理能和功函数任务的平均绝对误差分别为 0.188 eV/A$^2$ 和 2.79 eV，将次优模型的误差减少了 4$\times$。