MatterGen
PulseAugur coverage of MatterGen — every cluster mentioning MatterGen across labs, papers, and developer communities, ranked by signal.
-
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Pytho…
-
新的AI工作流程通过代理引导生成加速材料发现
研究人员开发了一种新的材料设计工作流程，该工作流程使用高斯过程代理来有效地指导生成模型。这种方法通过智能选择候选结构，大大减少了昂贵的属性评估的需要。该系统集成了MatterGen和CrystalFlow等预训练的扩散先验以及ORB嵌入，在各种材料属性上表现出强大的性能，并已作为开源软件发布。
-
新基准测试揭示AI模型在晶体稳定性方面存在困难
研究人员推出了PhononBench，一个旨在评估AI生成晶体材料动力学稳定性的新基准测试。该基准测试利用MatterSim原子间势进行高效的声子计算，能够分析超过133,000个晶体结构。研究结果表明，当前的生成模型在动力学稳定性方面存在困难，生成结构的平均稳定性率仅为32.15%，这凸显了AI驱动材料发现的一个重大局限性。
-
新基准 RADII 衡量材料科学中生成模型的极限
研究人员开发了一个名为 RADII 的新基准，用于系统地衡量材料科学中使用的图生成模型的外推前沿。该基准评估了这些模型生成越来越大尺寸的晶体材料结构的可靠性，并确定了其输出变得不可靠的点。研究发现，不同的模型架构具有不同的失效顺序和缩放行为，一些模型显示出可预测的误差增长，而另一些模型则显著发散。研究结果表明，输出规模应该是几何生成模型的主要评估指标。
-
AI解读蛋白质模型以检测生物风险
研究人员开发了一种名为SAEBER的新方法，利用稀疏自编码器（SAEs）来分析RFDiffusion3和RoseTTAFold3等蛋白质设计模型。该技术识别模型中与设计毒性或有毒蛋白质的可能性相关的特征。虽然在毒性分类方面并未超越当前最先进水平，但SAEBER通过提供结构化、特征层面的解释，为理解和潜在控制有害蛋白质的生成提供了一种新颖的方法。