Nat. Commun. | 晶体结构弛豫不确定性量化的深度生成模型

主要观点总结

本文介绍了由北京大学信息工程学院、化学生物学与生物技术学院省部共建肿瘤化学基因组学国家重点实验室、鹏城国家实验室合聘研究员和AI4S平台中心主任陈语谦教授团队与新加坡国立大学Lei Shen团队在Nature Communications上发表的论文。该团队开发了一种名为DeepRelax的单步晶体结构优化方法，为大规模晶体结构优化和高通量计算提供了高效的解决方案。

关键观点总结

关键观点1: 研究背景

原子/晶体结构优化在计算化学、计算物理和计算材料科学等领域具有广泛的应用。该过程的目的是找到最低能量状态，即基态结构，对表面化学反应、晶体缺陷调控以及药物设计等应用至关重要。

关键观点2: 传统方法的问题

传统上，晶体结构优化常采用第一性原理计算方法，例如密度泛函理论（DFT）。虽然基于DFT的结构优化方法精度高，但其高计算需求和有限的可扩展性限制了其在大规模晶体结构优化和高通量计算中的应用。

关键观点3: DeepRelax的方法

DeepRelax通过单步机器学习模型快速预测接近基态的初始结构，显著减少了计算时间。结合DFT进行精细优化，实现了高效与高精度的平衡。DeepRelax模型在处理大规模数据时展现出优越的性能，提高了计算效率，同时保持预测结果的精度。

关键观点4: DeepRelax的特点

DeepRelax适用于多种类型的材料体系，包括三维和二维材料。它考虑了晶体结构的周期性和对称性，通过周期性感知的等变图神经网络（PaEGNN）进行结构表征学习。DeepRelax还估计了预测结果的不确定性，有助于评估模型预测结果的可靠性。

关键观点5: 实验结果与验证

论文对DeepRelax进行了全面的验证，包括多个数据集的结果展示。DeepRelax预测的结构能量显著低于未优化结构，并接近DFT优化结构的能量。不确定性估计方法有效反映了模型预测的准确性。