AtomGPT: Atomistic Generative Pre-trained Transformer for Forward and Inverse Materials Design
本文提出基于Transformer的AtomGPT模型，结合化学与结构文本描述实现材料性质预测和原子结构生成，并通过DFT验证其在超导体设计中的有效性，为正向与逆向材料设计提供了高效的大语言模型方法。
2024-06-29 cond-mat.mtrl-sci
Inverse Materials Design by Large Language Model-Assisted Generative Framework
School of Software Engineering, South China University of Technology（华南理工大学软件工程学院）；The University of Hong Kong（香港大学）；City University of Hong Kong（香港城市大学）；DP Technology（DP科技）；Institute of Physics, Chinese Academy of Sciences（中国科学院物理研究所）；AI for Science Institute, Beijing（北京科学智能研究院）
提出AlloyGAN闭环框架，融合大语言模型文本挖掘与条件生成对抗网络，增强数据多样性，实现逆向材料设计，在金属玻璃预测中误差小于8%。
2025-02-25 cond-mat.mtrl-sci cs.LG
VAE for Modified 1-Hot Generative Materials Modeling, A Step Towards Inverse Material Design
Stanford University（斯坦福大学）
本文提出一种VAE模型，通过在潜在空间中保持材料可分解为数据集中其他材料的隐式关系，生成具有合成可行性的新材料，以支持基于深度强化学习的序列化逆向材料设计。
2023-12-25 cond-mat.mtrl-sci cs.LG
Generative Inverse Estimation of 3D Atomic Coordination from Near-Edge Spectra via Equivariant Diffusion Models
Institute of Industrial Science, The University of Tokyo（东京大学工业科学研究所）；Mitsubishi Chemical Corporation（三菱化学株式会社）
基于等变扩散模型，从近边谱生成3D原子配位，实现高精度的晶体结构重建与非晶系统预测
2026-02-18 cond-mat.mtrl-sci
A Unified Generative-Predictive Framework for Deterministic Inverse Design
本文提出Janus框架，结合编码器-解码器与预测性KHRONOS 头，解决异质材料微结构反向设计问题，实现高效物理引导的生成与预测。
2025-12-10 cond-mat.mtrl-sci cs.LG
Revolutionising inverse design of magnesium alloys through generative adversarial networks
本研究提出利用Wasserstein生成对抗网络（GAN）生成具有特定机械性能的新型镁合金，通过数据增强策略克服高质量数据匮乏问题，从而加速镁合金的逆向设计。
2023-10-23 cond-mat.mtrl-sci
Study of Deep Generative Models for Inorganic Chemical Compositions
Panasonic Corporation（松下公司）
基于生成对抗网络（GANs）和变分自编码器（VAE）的生成模型在图像生成、语音生成和药物发现领域得到了广泛的研究，但是，只有少数研究关注无机材料的生成。这些研究使用材料的晶体结构，但材料研究人员很少存储这些信息。因此，我们在不使用晶体信息的情况下生成化学组成。我们使用一个条件VAE（CondVAE）和一个条件GAN（CondGAN），并表明CondGAN使用袋的原子表示与物理描述符生成更好的组合物比其他生成模型。此外，我们评估的有效性的Metropolis-Hastings为基础的原子价修改和外推性能，这是重要的材料发现。
2019-10-25 cond-mat.mtrl-sci cs.LG physics.comp-ph
Evaluating the diversity and utility of materials proposed by generative models
Johns Hopkins University Applied Physics Laboratory（约翰斯·霍普金斯大学应用物理实验室）
本文评估了物理引导晶体生成模型 PGCGM 在逆向设计中的表现，发现其输入空间不平滑且生成结构多被预测为热力学不稳定，并据此提出改进生成模型以支持逆向设计的建议。
2023-08-09 cond-mat.mtrl-sci cs.LG physics.comp-ph
Generative design of inorganic materials
University of California, Berkeley（加州大学伯克利分校）；Berkeley Education Alliance for Research in Singapore (BEARS)（新加坡伯克利研究教育联盟）；Nanyang Technological University（南洋理工大学）；Institute for Functional Intelligent Materials, National University of Singapore（新加坡国立大学功能智能材料研究所）；Agency for Science, Technology and Research（科学技术研究局）；National University of Singapore（新加坡国立大学）；Constructor University（康斯特克塔大学）；Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）
本文探讨了生成设计在无机材料中的应用，结合多模态学习与高通量实验验证，解决功能材料的数据驱动逆向设计难题。
2026-04-29 cond-mat.mtrl-sci
Integrating electronic structure into generative modeling of inorganic materials
Seoul National University（首尔大学）
针对现有无机材料生成模型忽略电子结构的问题，提出融合电荷密度模态的生成模型ChargeDIFF，提升了生成性能，可实现基于三维电荷密度的材料逆向设计。
2025-11-18 cond-mat.mtrl-sci
Accelerated Inorganic Materials Design with Generative AI Agents
The University of Tokyo, Institute of Industrial Science（东京大学工业科学研究所）；University of Montreal, Department of Computer Science and Operations Research（蒙特利尔大学计算机科学与运筹学系）；Mila - Quebec AI Institute（米拉-魁北克人工智能研究所）
MatAgent通过结合生成模型和预测模型，利用大语言模型的推理能力，实现高效、可解释的无机材料设计与发现。
2025-04-01 cond-mat.mtrl-sci
A Chemically Grounded Evaluation Framework for Generative Models in Materials Discovery
Univ. Artois（阿图瓦大学）；Centre de Recherche en Informatique de Lens (CRIL)（朗斯信息中心）；Unitée de Catalyse et de Chimie du Solide (UCCS)（固体催化与化学单元）
本文提出一种结合DFT稳定性和ML指标的评估框架，用于改进材料生成模型的化学有效性评估。
2025-12-31 cond-mat.mtrl-sci
Inverse Design of Inorganic Compounds with Generative AI
Hylleraas Centre for Quantum Molecular Sciences（海利拉斯量子分子科学中心）；Department of Chemistry（化学系）；University of Oslo（奥斯陆大学）
本文探讨了生成式人工智能在无机化合物逆向设计中的应用，分析了其在处理复杂化学性质方面的进展与挑战，提出了未来标准化和可合成性评估的方向。
2026-08-27 cond-mat.mtrl-sci cs.LG physics.chem-ph
A Generative Model for Accelerated Inverse Modelling Using a Novel Embedding for Continuous Variables
Faculty of Georesources and Materials Engineering, RWTH Aachen University（亚琛工业大学地质资源与材料工程学院）
针对材料科学中逆建模找目标性能对应微观结构的不适定问题，提出基于浮点数二进制表示的新型连续变量嵌入策略，用于生成模型，无需归一化即可精细调控生成的微观结构，加速材料设计。
2024-05-21 cond-mat.mtrl-sci cs.LG
High-throughput discovery of novel cubic crystal materials using deep generative neural networks
高通量筛选已成为发现新型功能材料的主要策略之一。然而，由于目前存放在可持续发展国际中心和卡塔尔气象局等材料储存库中的已知材料数量和多样性不足，其有效性受到严重限制。机器学习，特别是深度学习的最新进展已经实现了一种生成策略，该策略学习隐含的化学规则，用于创建具有新组成和结构的化学有效的假设材料。然而，目前的材料生成模型难以生成结构多样、化学有效和稳定的材料。在这里，我们提出了CubicGAN，这是一种基于生成对抗网络（GAN）的深度神经网络模型，用于大规模生成新型立方晶体结构。当对来自OQMD数据库的375，749种三元晶体材料进行训练时，我们表明我们的模型不仅能够重新发现大多数目前已知的立方材料，而且还能够生成新结构原型的假设材料。总共有506种这样的新材料（它们都是三元或四元的）已经通过基于DFT的声子色散稳定性检查进行了验证，其中一些已经被发现可能具有特殊的功能特性。考虑到立方材料在太阳能电池和锂电池等广泛应用中的重要性，我们的GAN模型提供了一种有前途的方法，可以显着扩展当前的材料库，从而通过筛选发现新的功能材料。通过DFT最终验证的新晶体结构可在我们的Carolina Materials Database http://www.carolinamatdb.org上免费访问。
2021-02-05 cond-mat.mtrl-sci
Computational discovery of new 2D materials using deep learning generative models
University of South Carolina（南卡罗来纳大学）
二维材料由于其独特的光电性能，在半导体、光电子等领域有着广泛的应用前景。虽然在现有的材料数据库中已经筛选了数千种二维材料，但发现新的二维材料仍然具有挑战性。在这里，我们提出了一种深度学习生成模型，用于组合生成，并结合基于随机森林的2D材料分类器来发现新的假设2D材料。此外，基于模板的元素替代结构预测方法被开发来预测新预测的假设公式的子集的晶体结构，这允许我们使用DFT计算来确认它们的结构稳定性。到目前为止，我们已经发现了267，489种新的潜在二维材料成分，并通过DFT形成能计算确认了12种二维/层状材料。我们的研究结果表明，生成式机器学习模型为探索新的2D材料发现的巨大化学设计空间提供了一种有效的方法。
2020-12-16 cond-mat.mtrl-sci cs.LG
Active learning based generative design for the discovery of wide bandgap materials
University of South Carolina（南卡罗来纳大学）
主动学习已经越来越多地应用于从现有材料数据库中筛选具有所需性质的功能材料。然而，存放在流行的材料数据库（如ICSD和Materials Project）中的已知材料数量非常有限，仅占巨大化学设计空间的一小部分。本文提出了一种主动生成式逆设计方法，该方法将主动学习与深度变分自编码器神经网络和生成对抗深度神经网络模型相结合，以在整个化学设计空间中发现具有目标性质的新材料。该方法的应用使我们能够发现具有高带隙的新的化学稳定材料（SrYF $_5$）和具有特定带隙范围的半导体（SrClF $_3$，CaClF $_5$，YCl $_3$，SrC $_2$ F $_3$，AlSCl，As $_2$ O $_3$），所有这些都通过第一原理DFT计算验证。我们的实验表明，虽然主动学习本身可能会采样化学上不可行的候选人，这些样本有助于训练有效的筛选模型，用于从生成模型创建的假设材料中筛选出具有所需特性的材料。实验结果表明了该方法的有效性。
2021-02-28 cond-mat.mtrl-sci cs.LG
Hundreds of new, stable, one-dimensional materials from a generative machine learning model
我们使用生成神经网络模型来创建数千种新的一维材料。该模型使用来自计算1D材料数据库（C1DB）数据库的508种稳定的一维材料进行训练。通过密度泛函理论计算，500多种新材料显示为动态稳定的，并且形成热在已知材料的凸壳的0.2 eV内。一些新材料也可以通过在培训材料中进行化学元素替代来获得，但也产生了全新的材料类别。计算了这些新材料的能带结构、电子态密度、功函数、有效质量和声子谱，并将数据加入C1DB。
2022-10-17 cond-mat.mes-hall cond-mat.mtrl-sci
Generative Inverse Design of Crystal Structures via Diffusion Models with Transformers
Institute of Industrial Science, The University of Tokyo（东京大学工业科学研究所）
本文提出一种以 Transformer 为骨干的新型扩散模型，用于晶体结构生成式逆向设计，实验表明其在按目标属性生成结构方面优于既有方法，且最优条件化策略依赖数据集。
2024-06-14 cond-mat.mtrl-sci cs.LG
A large-scale nanocrystal database with aligned synthesis and properties enabling generative inverse design
MIIT Key Laboratory for Low-Dimensional Quantum Structure and Devices, School of Materials Sciences & Engineering, Beijing Institute of Technology（信息产业部低维量子结构与器件重点实验室，材料科学与工程学院，北京理工大学）；School of Computer Science and Technology, Beijing Institute of Technology（计算机科学与技术学院，北京理工大学）
构建大规模对齐的纳米晶体合成-性质数据库，开发基于大语言模型的NanoExtractor提取文献数据，并利用NanoDesigner实现生成式逆向设计，成功设计PbSe和MgF2纳米晶体的合成路线。
2026-06-08 cond-mat.mtrl-sci cs.AI
Hybrid Generative-Discriminative Models for Inverse Materials Design
Applied AI Institute（应用人工智能研究院）；Deakin University（迪肯大学）
发现新的物理产品和工艺往往需要大量的实验和昂贵的模拟。为了设计具有某些目标特性的新产品，在达到目标特性之前，通过尝试大量的设计组合来在设计空间中执行广泛的搜索。然而，当目标本身移动或仅部分被理解时，对目标设计的前向搜索变得禁止。为了解决这一瓶颈，我们建议使用反向预测，利用丰富的数据在早期的探索和构建一个机器学习框架，预测设计参数的任何目标在一个单一的步骤。这提出了两个技术挑战：第一个是由于学习逆问题时的一对多映射而引起的，第二个是由于用户仅部分指定目标规范而引起的。为了克服这些挑战，我们将这个问题表述为高维环境下的条件密度估计，具有不完全输入和多模态输出。我们通过一个深度混合的生成-判别模型来解决这个问题，该模型经过端到端的训练来预测最佳设计。
2018-10-31 cond-mat.mtrl-sci cs.LG stat.ML
Inverse Design of Composite Metal Oxide Optical Materials based on Deep Transfer Learning
具有特殊光学性质的光学材料广泛应用于从计算机显示到太阳能利用的广泛技术中，导致从多年的广泛材料合成和光学表征积累的大量数据集。以前，已经开发了机器学习模型来预测材料表征图像的光学吸收光谱，反之亦然。在这里，我们提出了TLOpt，一种基于迁移学习的逆光学材料设计算法，用于建议具有所需目标光吸收光谱的材料成分。我们的方法是基于深度神经网络模型和全局优化算法（包括遗传算法和贝叶斯优化）的组合。采用迁移学习策略解决了基于Magpie材料成分描述子的光学吸收光谱神经网络预测器训练过程中的小数据集问题。实验结果表明，该算法可以高精度地反求出具有化学计量比的材料成分。
2020-08-24 cond-mat.mtrl-sci
Generative AI for Crystal Structures: A Review
本综述梳理了无机晶体材料生成式AI模型的最新进展，介绍了相关基础与分类体系，讨论了数据源、性能指标挑战及标准化基准需求，展示了应用实例，并指出了该领域的局限与未来方向，有望加速新材料发现。
2025-09-02 cond-mat.mtrl-sci
Discovery of 2D materials using Transformer Network based Generative Design
University of South Carolina（南卡罗来纳大学）；University of Colombo（科伦坡大学）
二维材料在超导、量子和拓扑材料中有着广泛的应用。然而，它们的合理设计还没有很好地建立起来，目前已经报道了不到6,000种实验合成的2D材料。最近，深度学习、数据挖掘和基于密度泛函理论（DFT）的高通量计算被广泛执行，以发现用于各种应用的潜在新材料。在这里，我们提出了一个生成材料设计管道，即材料Transformer发电机（MTG），用于大规模发现假设的2D材料。我们训练两个二维材料成分生成器使用自学习神经语言模型的基础上Transformers与和没有转移学习。然后使用这些模型来生成大量的候选2D成分，这些成分被馈送到已知的2D材料模板中用于晶体结构预测。接下来，我们进行了DFT计算，研究他们的热力学稳定性的基础上，能量以上的船体和形成能。我们报告了四种新的DFT验证的稳定的二维材料，具有零e-above-hull能量，包括NiCl $_4$，IrSBr，CuBr $_3$和CoBrCl。因此，我们的工作证明了我们的MTG生成材料设计管道在发现新型2D材料和其他功能材料方面的潜力。
2023-01-14 cond-mat.mtrl-sci cs.LG
Catalyst Diffusion Transformer: Generative Inverse Design of Heterogeneous Catalysts
Ewha Womans University（梨花女子大学）；Sogang University（西江大学）；Korea University（高丽大学）；Korea Institute of Science and Technology (KIST)（韩国科学技术研究院）
针对催化剂发现人力物力消耗大及现有生成模型局限性问题，提出催化剂扩散变换器CatDiT，通过学习潜在表示实现高效训练与快速采样，支持多条件设定，用于逆催化剂设计，在氮还原反应中取得良好效果，是实用可扩展的方法。
2026-07-28 cond-mat.mtrl-sci cs.LG
Dismai-Bench: Benchmarking and designing generative models using disordered materials and interfaces
本研究提出面向无序材料与界面的生成式模型基准Dismai-Bench，测试发现图扩散模型性能优于U-Net扩散模型，还开发出性能优异的CryinGAN架构，为生成式模型研发提供新框架与参考。
2024-07-13 cond-mat.mtrl-sci
MagGen: A graph aided deep generative model for inverse design of stable, permanent magnets
研究提出基于变分自编码器的图辅助深度生成模型MagGen，通过可逆实空间晶体学表示（IRCR）逆向设计稳定磁性材料，约96%生成材料满足目标属性，并成功应用于无稀土永磁体设计。
2023-11-22 cond-mat.mtrl-sci
Perspective: Inverse methods for material design
在这个角度来看，我们强调了最近的几项研究，说明如何使用适当的物理模型和计算方法的逆策略可以解决复杂的材料设计问题。
2014-05-16 cond-mat.mes-hall cond-mat.mtrl-sci cond-mat.soft
Physics guided deep learning generative models for crystal materials discovery
University of South Carolina（南卡罗来纳大学）
基于深度学习的生成模型，如deepfake，已经能够生成令人惊叹的图像和视频。然而，这些模型在应用于生成晶体材料结构时可能需要显著的变换，其中构建块、物理原子与像素非常不同。自然转移的生成模型倾向于生成大部分物理上不可行的晶体结构，这些晶体结构不稳定或不可合成。在本文中，我们表明，通过利用和添加面向物理的数据增强，损失函数项和后处理，我们基于深度对抗网络（GAN）的生成模型现在可以生成具有更高物理可行性的晶体结构，并扩展我们以前只能创建立方结构的模型。
2021-12-07 cond-mat.mtrl-sci cs.LG
Crystal Transformer: Self-learning neural language model for Generative and Tinkering Design of Materials
University of South Carolina（南卡罗来纳大学）
自监督神经语言模型最近取得了前所未有的成功，从自然语言处理到学习生物序列和有机分子的语言。这些模型在蛋白质和分子的生成、结构分类和功能预测方面表现出优异的性能。然而，大多数基于掩蔽的预训练语言模型并不是为生成设计而设计的，它们的黑盒性质使得很难解释它们的设计逻辑。在这里，我们提出了BLMM晶体Transformer，基于神经网络的概率生成模型的生成和修补设计的无机材料。我们的模型建立在用于文本生成的空白填充语言模型上，在学习“材料语法”以及高质量的生成，可解释性和数据效率方面表现出独特的优势。它可以产生化学有效的材料组合物，具有高达89.7%的电中性和84.8%的平衡电负性，与伪随机采样基线相比，这是4倍和8倍以上。BLMM的概率生成过程允许它根据所学的材料化学推荐修补操作，并使其对材料掺杂有用。结合TCSP晶体结构预测算法，我们应用我们的模型发现了一组新材料，并通过DFT计算进行了验证。因此，我们的工作带来了无监督的Transformer语言模型为基础的生成人工智能的无机材料。已经为计算材料掺杂开发了一个用户友好的网络应用程序，可以在\url{www.materialsatlas.org/blmtinker}上免费访问。
2022-04-25 cond-mat.mtrl-sci cs.LG
Efficient Symmetry-Aware Materials Generation via Hierarchical Generative Flow Networks
提出对称感知层次生成流网络SHAFT，通过层次化分解材料空间，高效生成具有所需性质且有效、多样、稳定的晶体结构，优于现有迭代生成方法。
2024-11-06 cond-mat.mtrl-sci cs.LG
Inverse Design of Next-generation Superconductors Using Data-driven Deep Generative Models
提出基于CDVAE和ALIGNN的扩散模型，利用JARVIS数据库生成并筛选超导材料，通过DFT验证，实现下一代超导体的高效逆向设计。
2023-07-27 cond-mat.mtrl-sci cond-mat.supr-con
Transport Novelty Distance: A Distributional Metric for Evaluating Material Generative Models
Bundesanstalt für Materialforschung und -prüfung (BAM)（联邦材料研究所（BAM））；Friedrich-Schiller-Universität Jena（耶拿弗里德里希-施特劳斯大学）
本文提出传输新颖度距离（TNovD）作为评估材料生成模型质量与新颖性的分布度量，通过最优传输理论和对比学习实现，适用于材料发现及其他领域。
2025-12-10 cond-mat.mtrl-sci cs.LG
Deep Reinforcement Learning for Inverse Inorganic Materials Design
Massachusetts Institute of Technology（麻省理工学院）
实现具有所需性质的新型无机材料的主要障碍是不能在材料性质和这些材料的合成两者上进行有效的优化。在这项工作中，我们提出了一种强化学习（RL）的方法来逆无机材料设计，它可以识别有前途的化合物与指定的属性和合成能力的限制。我们的模型学习化学准则，如电荷和电负性中性，同时保持化学多样性和独特性。我们展示了一种多目标RL方法，该方法可以生成具有目标材料特性的新型化合物，包括形成能和体积/剪切模量以及较低的烧结温度合成目标。使用这种方法，该模型可以预测感兴趣的有前途的化合物，同时为无机材料的发现提出了优化的化学设计空间。
2022-10-21 cond-mat.mtrl-sci cs.LG
Topology-Stratified Materials Discovery with A Flow-Based Generative Model
University of Alabama（阿拉巴马大学）；Alabama Materials Institute（阿拉巴马材料研究所）
本文提出UFO-MGen，一种基于流的生成模型，通过学习Wyckoff表示的拓扑特征，在复杂晶体结构和化学空间中实现高成功率、高SUN率及强外推能力的晶体生成，并支持性质约束的逆向设计，加速材料发现。
2026-09-23 cond-mat.mtrl-sci cs.AI
MatterGen: a generative model for inorganic materials design
Microsoft Research AI4Science（微软研究院AI4Science）
针对现有材料生成模型稳定晶体生成率低、属性约束适配有限的问题，本文提出基于扩散过程与适配器模块的MatterGen模型，可生成稳定多样的无机材料并适配多类属性约束，性能显著优于现有模型，推动通用材料设计生成模型发展。
2024-01-29 cond-mat.mtrl-sci cs.AI
Targeting the partition function of chemically disordered materials with a generative approach based on inverse variational autoencoders
本文提出利用生成机器学习生成配置集，以高效计算化学无序材料的原子尺度性质，通过逆变分自编码器实现无监督主动学习，用于估计配分函数。
2024-09-10 cond-mat.mtrl-sci cs.LG
Design Topological Materials by Reinforcement Fine-Tuned Generative Model
State Key Laboratory of Surface Physics（表面物理国家重点实验室）；Department of Physics, Fudan University, Shanghai 200433, China（复旦大学物理系）；Shanghai Research Center for Quantum Sciences, Shanghai 201315, China（上海量子科学研究中心）；Institute for Nanoelectronic Devices（纳米电子器件研究所）；Quantum Computing, Fudan University, Shanghai 200433, China（量子计算，复旦大学）；Hefei National Laboratory, Hefei 230088, China（合肥国家实验室）
本文提出通过强化微调生成模型来设计拓扑绝缘体和拓扑晶体绝缘体，展示了该方法在生成具有完整能隙的新拓扑材料方面的有效性，以Ge₂Bi₂O₆为例证明了其在拓扑绝缘体领域的应用。
2025-04-17 cond-mat.mtrl-sci cs.AI
Physics Guided Deep Learning for Generative Design of Crystal Materials with Symmetry Constraints
University of South Carolina（南卡罗来纳大学）；University of Colombo（科伦坡大学）
发现新材料是材料科学的一项具有挑战性的任务，对人类社会的进步至关重要。传统的基于实验和模拟的方法是劳动密集型的或昂贵的，成功很大程度上取决于专家的启发式知识。在这里，我们提出了一个基于深度学习的物理引导晶体生成模型（PGCGM），用于具有高度结构多样性和对称性的高效晶体材料设计。与最新的结构生成器之一FTCP相比，我们的模型将生成有效性提高了700%以上，与我们以前的CubicGAN模型相比，提高了45%以上。密度泛函理论（DFT）计算用于验证生成的结构，其中2，000种材料中的1，869种材料被成功优化并存入Carolina材料数据库\url{www.carolinamatdb.org}，其中39.6%具有负形成能，5.3%具有低于0.25 eV/atom的壳上能量，表明它们的热力学稳定性和潜在的可合成性。
2022-12-13 cond-mat.mtrl-sci cs.LG
