PRISMat：策略驱动、置换不变的自动回归材料生成模型
PRISMat是一种高效的置换不变模型，用于晶体材料生成。与大型语言模型（LLM）相比，PRISMat在推理时间更短的情况下，在预测材料表面性质（如解理能和工作函数）方面表现更优，误差降低4倍。该模型采用策略驱动的方法，解决了传统LLM在材料科学中参数庞大、计算成本高的问题。
在材料科学领域，快速识别具有目标特性的候选材料已成为一项关键任务。传统的物理模拟方法虽然精准，但计算成本高昂，难以应对高通量筛选的需求。机器学习作为一种替代方案，能够更快、更经济地根据材料的稳定性和其他目标特性进行过滤，从而减少进入昂贵合成阶段的候选数量。近年来，大型语言模型（LLM）被引入这一领域，然而这些模型参数庞大，训练和推理的计算开销巨大，不适用于高通量任务。这种低效主要源于语言模型的过度参数化以及将材料生成视为序列学习问题的固有困难。
针对这些挑战，研究团队提出了PRISMat——一种成本效益高、置换不变的模型。PRISMat采用策略驱动的自回归生成方式，能够处理晶体结构中原子排列的置换不变性。这意味着模型不需要依赖原子的特定顺序来学习材料性质，从而更高效地捕捉结构与性能之间的关系。该模型的设计旨在替代LLM，在保证性能的同时大幅降低计算成本。
实验结果表明，尽管PRISMat的推理时间更短，但在生成基于关键表面性质的晶体板时，其性能显著优于LLM。在目标材料发现任务中，对于解理能和工作函数，PRISMat的平均绝对误差分别达到0.188 eV/Ų和2.79 eV，比次优模型的误差降低了4倍。这些结果展示了PRISMat在高通量材料筛选中的巨大潜力，有望加速新材料的发现进程。
该论文由Claire Schlesinger等人撰写，共10页，包含8张图表，目前正在NeurIPS 2026的评审中。论文的arXiv编号为2605.16612，提交日期为2026年5月15日。这一工作为材料科学中的机器学习应用提供了新的思路，特别是在处理晶体材料的生成和性质预测方面。