摘要
无序（非晶态）材料，如玻璃，正成为能源存储、非线性光学和催化领域应用的有希望的候选材料。它们缺乏长程有序结构，同时具有复杂的短程和中等程有序结构，这些有序结构取决于材料的成分以及热处理和压力历史，因此为材料设计提供了广阔的空间。为此，依赖机器学习方法而非试错方法是一个有前景的方向。其中，逆向设计作为一种生成具有所需性能材料的工具已经崭露头角。尽管基于扩散模型的逆向设计方法在晶体材料和分子研究中取得了成功，但针对非晶态材料的类似方法发展相对滞后，主要是由于大规模数据集的有限可用性和对更大模拟空间的需求。在这项工作中，我们提出并验证了一种用于非晶态材料的逆向设计方法，即AMDEN（Amorphous Material DEnoising Network），这是一个基于扩散模型的框架，用于生成非晶态材料的结构。首先，我们指出了扩散模型在生成松弛结构时所面临的固有挑战。这些低能量配置通常是通过热运动驱动的随机搜索过程获得的，而标准去噪程序无法复制这一过程。因此，我们引入了一种基于能量的AMDEN变体，该变体采用哈密顿蒙特卡洛方法来生成这些松弛结构。此外，我们还引入了多个具有不同性能和成分的非晶态材料数据集，以评估我们的框架并支持未来的发展。
利益冲突
作者声明没有利益冲突。
数据可用性声明
AMDEN的源代码以及本研究中使用的所有数据集均可在https://github.com/Logan-Lin/AMDEN-code获取。
