基于生成式AI的功能材料逆向设计挑战
赛题描述
在此次AI4Science hackathon中，参赛者将探索生成式人工智能技术在功能材料逆向设计领域的应用，挑战传统材料研发的界限。不同于传统的从晶体结构模拟材料性质的正向设计流程，本次比赛旨在利用逆向设计方法，从预期的材料性能出发，预测和设计出具有特定功能性质的新材料。
挑战点
目前基于生成式AI的模型[1-4]在逆向生成结构过程中仍存在不少挑战：
- 1. 提高成功率：当前模型在生成特定功能属性的结构的成功率偏低。
- 2. 材料稳定性：生成的材料稳定性偏低，希望充分利用凸包计算能量 Ehull 验证。
- 3. 合理性和对称性：生成的结构不合理，对称性偏低。希望改进模型并给出空间群分布。
- 4. 多目标生成效率：生成效率不佳（无法兼具功能性与稳定性）。希望开发能够同时考虑多重材料属性的高效生成模型。
赛题目标
1. 创新逆向设计方法：基于生成式AI开发一套通用的逆向设计算法，突破对已知数据库的依赖，探索未知材料空间。
2. 综合性能优化：在逆向设计过程中，平衡和优化材料的多种性质，包括但不限于功能性、稳定性和对称性。
3. 功能材料设计：鼓励参赛者设计具有前沿新型材料，包括但不限于提供的超导材料、磁性材料等。
数据集
推荐使用公开的材料数据库和数据集。同时鼓励参赛者探索和利用最新的生成模型和深度学习框架。
挑战 1: 超导材料
参赛者可以利用但不限于以下超导材料数据集，如JARVIS-SuperconDB (https://doi.org/10.6084/m9.figshare.21370572, 含1058个超导数据) 和supercon.csv supercon.csv （其中cif对应晶体结构，Tc对应超导转变温度）。
挑战 2: 磁性材料
参赛者可选择使用其他数据集或自行构建数据集（包括但不限于超导材料以及磁性材料）。参赛者可以选择一个或多个材料/研究方向进行挑战，每一个挑战会被单独评判，奖金亦可叠加！
参赛者可以利用但不限于以下磁性材料数据集，如MagneticMaterials
（https://magneticmaterials.org/, 含39,822个磁性材料及其磁性转变温度）。
评判标准
- 创新性：逆向设计方法的创新程度和在解决上述挑战点上的有效性和成功率。
- 性能与稳定性：生成材料的预期功能（比如模型生成的超导结构具有高Tc值，磁性结构具有高磁性转变温度即Curie/Néel温度，良好稳定性）以及结构的合理性和新颖性。
- 实用性：设计出的材料在理论上的应用潜力和实际应用前景。
提交要求
- 技术报告：介绍所采用的逆向设计方法、数据处理、模型训练过程及结果分析。
- 代码与模型：提供用于逆向设计的代码和模型，以便评审团队进行复现和验证。
- 设计样例：提交具有代表性的设计样例，包括材料性质的预测值、稳定性分析和结构信息。
参考资料
[1] Zeni C, Pinsler R, Zügner D, et al. Mattergen: a generative model for inorganic materials design[J]. arXiv preprint arXiv:2312.03687, 2023.
[2] Xie T, Fu X, Ganea O E, et al. Crystal diffusion variational autoencoder for periodic material generation[J]. arXiv preprint arXiv:2110.06197, 2021.
[3] Wines D, Xie T, Choudhary K. Inverse design of next-generation superconductors using data-driven deep generative models[J]. The Journal of Physical Chemistry Letters, 2023, 14(29): 6630-6638.
[4] AI4Science M, Hernandez-Garcia A, Duval A, et al. Crystal-gfn: sampling crystals with desirable properties and constraints[J]. arXiv preprint arXiv:2310.04925, 2023.
[5] Choudhary K, DeCost B. Atomistic line graph neural network for improved materials property predictions[J]. npj Computational Materials, 2021, 7(1): 185.
[6] Xiao H, Li R, Shi X, et al. An invertible, invariant crystallographic representation for inverse design of solid-state materials using generative deep learning[J]. 2023.
[1] Zeni C, Pinsler R, Zügner D, et al. Mattergen: a generative model for inorganic materials design[J]. arXiv preprint arXiv:2312.03687, 2023.
[2] Xie T, Fu X, Ganea O E, et al. Crystal diffusion variational autoencoder for periodic material generation[J]. arXiv preprint arXiv:2110.06197, 2021.
[3] Wines D, Xie T, Choudhary K. Inverse design of next-generation superconductors using data-driven deep generative models[J]. The Journal of Physical Chemistry Letters, 2023, 14(29): 6630-6638.
[4] AI4Science M, Hernandez-Garcia A, Duval A, et al. Crystal-gfn: sampling crystals with desirable properties and constraints[J]. arXiv preprint arXiv:2310.04925, 2023.
[5] Choudhary K, DeCost B. Atomistic line graph neural network for improved materials property predictions[J]. npj Computational Materials, 2021, 7(1): 185.
[6] Xiao H, Li R, Shi X, et al. An invertible, invariant crystallographic representation for inverse design of solid-state materials using generative deep learning[J]. 2023.