研究背景:
晶体结构的原子排列决定了材料的物理化学特性，因此预测晶体结构对于发现功能材料至关重要。传统的晶体结构预测方法，如基于全局优化的算法，通常依赖于昂贵且耗时的试错过程，且在应对复杂系统时扩展性较差。而近年来，深度学习在材料科学中表现出色，通过生成模型（GM）可以更高效地搜索材料结构的配置空间。
主要研究成果:
研究团队构建了一个大规模的 MP60-CALYPSO 数据集，涵盖了超过67万个稳定结构，并基于该数据集开发了Cond-CDVAE模型。该模型能够在无需局部优化的情况下，以59.3%的成功率预测环境压力下的晶体结构；对于原子数少于20的结构，这一成功率更高达83.2%。相比传统的CSP方法，Cond-CDVAE在生成物理合理的晶体结构和高保真度预测方面展现了明显优势。
此外，Cond-CDVAE在锂、硼、二氧化硅等典型高压多形态系统中的表现尤为显著，有效生成了复杂的晶体结构，部分结果甚至超越了当前的CALYPSO软件。该研究成果展示了生成模型在晶体结构预测中的巨大潜力，标志着深度学习应用在材料科学的一个重要进展。
