효율적이고 다양한 분자 및 결정 구조 발견을 위한 생성적 구조 탐색

Generative structure search for efficient and diverse discovery of molecular and crystal structures

안정적이고 불안정한 구조 예측은 분자 및 재료 발견의 핵심이지만, 고차원 에너지 지형을 탐색하는 데 드는 비용으로 인해 어려움을 겪고 있습니다. 딥 생성 모델은 효율적인 구조 샘플링을 제공하지만, 이들의 출력은 여전히 학습 데이터에 의해 영향을 받으며, 드물지만 물리적으로 중요한 최소값을 충분히 탐색하지 못할 수 있습니다. 본 연구에서는 생성적 구조 탐색(GSS)이라는 통일된 프레임워크를 소개합니다. GSS는 확산 기반 생성과 무작위 구조 탐색(RSS)을 학습된 스코어 필드와 물리적 힘에 의해 구동되는 공통 샘플링 과정의 극한 형태로 정의합니다. 이러한 구동 요소를 결합함으로써 GSS는 데이터 사전 지식을 활용하여 샘플링 속도를 높이는 동시에 에너지 기반의 국소 최소값 탐색을 유지합니다. 분자 및 결정 시스템에서 GSS는 RSS보다 10배 이상 낮은 샘플링 비용으로 다양한 불안정한 구조를 복구하며, 학습 데이터 분포 외부의 조성에서도 효과적입니다. 이러한 결과는 데이터 기반 샘플링만으로는 도달할 수 없는 구조를 발견하기 위한 물리적으로 기반한 생성적 탐색 전략을 확립합니다.

Predicting stable and metastable structures is central to molecular and materials discovery, but remains limited by the cost of searching high-dimensional energy landscapes. Deep generative models offer efficient structure sampling, yet their outputs remain shaped by training data and can underexplore minima that are rare but physically relevant. We introduce generative structure search (GSS), a unified framework that formulates diffusion-based generation and random structure search (RSS) as limiting regimes of a common sampling process driven by learned score fields and physical forces. Coupling these drivers lets GSS use data priors to accelerate sampling while retaining energy-guided exploration of local minima. Across molecular and crystalline systems, GSS recovers diverse metastable structures with more than tenfold lower sampling cost than RSS for broad coverage and remains effective for compositions outside the training distribution. The results establish a physically grounded generative search strategy for discovering structures beyond the reach of data-driven sampling alone.