2025_NIPS_Invariant Tokenization of Crystalline Materials for Language Model Enabled Generation

文章核心总结与翻译

一、主要内容

本文聚焦于利用语言模型（LMs）生成晶体材料这一核心问题，核心挑战是将3D晶体结构转化为可被语言模型处理的1D序列，且需满足SE(3)不变性、周期性不变性和唯一性。

1. 背景与现有问题：传统晶体材料发现依赖耗时昂贵的湿实验室实验或高计算成本的量子力学方法；现有基于CIF文件的序列转化方法无法保证序列唯一性和关键不变性，导致同一晶体可能对应多种序列，增加模型训练负担。
2. 核心方法（Mat2Seq）：提出一种将3D晶体结构转化为1D序列的新方法，流程包括：
   • 通过Niggli胞约简确定SO(3)等变的晶格向量和原胞；
   • 将SO(3)等变原胞转化为SE(3)不变且周期不变的序列，整合成分信息、空间群信息、晶格参数和不可约原子集（含原子类型与分数坐标）。
3. 实验验证：在Perov-5、Carbon-24、MP20、MPTS-52等数据集上，与CrystaLLM、CDVAE、DiffCSP等基线模型对比，在晶体结构生成的匹配率、RMSE（均方根误差）等指标上表现优异；能生成具有目标带隙特性的晶体，且对近期文献中发现的新型晶体具有良好的泛化能力；生成速度显著快于传统方法。
4. 方法特性：Mat2Seq序列满足唯一性（同一晶体对应唯一序列）、完整性（可从序列完全重构3D晶体），无需数据增强即可让语言模型识别等效晶体。