Con-CDVAE: 결정 구조의 조건부 생성을 위한 방법

최근 몇 년 동안 생성적 기계 학습 모델을 사용하여 새로운 결정 성질을 생성하는 데 진전이 있었지만, 목표 속성을 기반으로 한 결정 생성을 효율적으로 수행하는 데는 여전히 격차가 존재합니다. 본 논문은 조건부 결정 생성을 위한 Crystal Diffusion Variational Autoencoder (CDVAE)의 확장인 Con-CDVAE 모델을 제안합니다. 우리는 혁신적인 구성 요소를 도입하고, 이단계 훈련 방법을 설계하며, 모델 성능을 향상시키기 위해 세 가지 고유한 생성 전략을 개발합니다. Con-CDVAE의 효과는 단일 및 복합 속성 목표를 포함한 다양한 조건 하에서 광범위한 테스트를 통해 입증됩니다. 제거 연구는 새로운 구성 요소가 모델 성능을 달성하는 데 중요한 역할을 한다는 것을 강조합니다. 또한, 우리는 밀도 범함수 이론(DFT) 계산을 통해 생성된 결정의 물리적 신뢰성을 검증하며, Con-CDVAE의 재료 과학 연구에서의 잠재력을 확인합니다.