使用 CliqueFlowmer 进行离线材料优化

arXiv:2603.06082v1 公告类型：新 摘要：深度学习的最新进展启发了基于神经网络的计算材料发现（CMD）方法。该领域的许多问题都涉及寻找优化目标性能的材料。然而，日益流行的生成建模方法由于其最大似然训练而无法有效大胆地探索材料空间中有吸引力的区域。在这项工作中，我们提供了一种基于离线模型优化 (MBO) 的替代 CMD 技术，该技术将目标材料属性的直接优化融合到生成中。为此，我们引入了一个名为 CliqueFlowmer 的特定领域模型，它将基于派系的 MBO 的最新进展融入到变压器和流生成中。我们验证了 CliqueFlowmer 的优化能力，并表明它生成的材料远远优于生成基线提供的材料。为了使 CliqueFlowmer 能够应用于专门的材料优化问题并支持跨学科研究，我们在 https://github.com/znowu/CliqueFlowmer 上开源了我们的代码。