用于表面结构发现的生成扩散模型
Generative diffusion model for surface structure discovery
AI总结：
本文提出一种生成扩散模型，用于发现表面结构，通过掩蔽原子和z方向约束考虑基底匹配与周期性，并利用旋转等变神经网络训练去噪网络和力场，实现低能表面相的高效采样，成功应用于多个表面系统并提出了大尺寸银氧化物畴界的原子结构模型。
摘要：
我们提出了一种专门针对表面结构发现的生成扩散模型。该生成模型通过包含掩蔽原子和$z$方向约束，考虑了基底匹配和周期性。利用旋转等变神经网络架构，我们设计了一种方法，该方法训练一个用于扩散的去噪网络，同时训练一个力场，以引导对低能表面相的采样。我们提出了一种有效的训练去噪网络的数据增强方案，以将生成规模扩展到远超训练数据中表示的结构尺寸。我们通过研究多个表面系统展示了该生成模型，并为一个前所未有的尺寸的银氧化物畴界提出了一个原子结构模型。
英文摘要：
We present a generative diffusion model specifically tailored to the discovery of surface structures. The generative model takes into account substrate registry and periodicity by including masked atoms and $z$-directional confinement. Using a rotational equivariant neural network architecture, we design a method that trains a denoiser-network for diffusion alongside a force-field for guided sampling of low-energy surface phases. An effective data-augmentation scheme for training the denoiser-network is proposed to scale generation far beyond structure sizes represented in the training data. We showcase the generative model by investigating multiple surface systems and propose an atomistic structure model for a previously unknown silver-oxide domain-boundary of unprecedented size.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
