PRISMat：策略驅動、置換不變的自動迴歸材料生成模型
PRISMat是一種高效的置換不變模型，用於晶體材料生成。與大型語言模型（LLM）相比，PRISMat在推理時間更短的情況下，在預測材料表面性質（如解理能和工作函式）方面表現更優，誤差降低4倍。該模型採用策略驅動的方法，解決了傳統LLM在材料科學中引數龐大、計算成本高的問題。
在材料科學領域，快速識別具有目標特性的候選材料已成為一項關鍵任務。傳統的物理模擬方法雖然精準，但計算成本高昂，難以應對高通量篩選的需求。機器學習作為一種替代方案，能夠更快、更經濟地根據材料的穩定性和其他目標特性進行過濾，從而減少進入昂貴合成階段的候選數量。近年來，大型語言模型（LLM）被引入這一領域，然而這些模型引數龐大，訓練和推理的計算開銷巨大，不適用於高通量任務。這種低效主要源於語言模型的過度引數化以及將材料生成視為序列學習問題的固有困難。
針對這些挑戰，研究團隊提出了PRISMat——一種成本效益高、置換不變的模型。PRISMat採用策略驅動的自迴歸生成方式，能夠處理晶體結構中原子排列的置換不變性。這意味著模型不需要依賴原子的特定順序來學習材料性質，從而更高效地捕捉結構與效能之間的關係。該模型的設計旨在替代LLM，在保證效能的同時大幅降低計算成本。
實驗結果表明，儘管PRISMat的推理時間更短，但在生成基於關鍵表面性質的晶體板時，其效能顯著優於LLM。在目標材料發現任務中，對於解理能和工作函式，PRISMat的平均絕對誤差分別達到0.188 eV/Ų和2.79 eV，比次優模型的誤差降低了4倍。這些結果展示了PRISMat在高通量材料篩選中的巨大潛力，有望加速新材料的發現程序。
該論文由Claire Schlesinger等人撰寫，共10頁，包含8張圖表，目前正在NeurIPS 2026的評審中。論文的arXiv編號為2605.16612，提交日期為2026年5月15日。這一工作為材料科學中的機器學習應用提供了新的思路，特別是在處理晶體材料的生成和性質預測方面。