新框架AtomBench标准化了AI模型在晶体重建方面的评估

研究人员开发了AtomBench，一个用于评估生成晶体重建模型的新框架，特别适用于常规超导体。该框架通过确保模型在重建过程中接收相同的晶体学信息，实现了标准化的比较。在使用JARVIS Supercon-3D和Alexandria DS-A/B数据集进行的测试中，MatterGen在原子坐标重建方面表现最佳，而CDVAE在晶格精度方面表现出色。研究还发现，以临界温度为条件并未持续提高重建保真度。AtomBench作为一个开源Python包发布，以鼓励社区使用和基准测试。 AI

影响 标准化材料科学领域的AI模型评估，能够更可靠地比较生成模型。

排序理由 该集群描述了一个新的基准测试框架及其在研究论文中的应用。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• Alexandria DS-A/B
• AtomBench
• AtomGPT
• continuous corrected RMSD
• FlowMM
• JARVIS Supercon-3D
• Kamal Choudhary
• Kullback-Leibler divergence
• MatterGen
• mean absolute error
• root-mean-squared displacement

• 论文
• 模型发布
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →