Finetuning-Free Diffusion Model with Adaptive Constraint Guidance for Inorganic Crystal Structure Generation

Motivation

• Known: 확산 모델(diffusion model)은 복잡한 데이터 분포를 모델링하여 신규 물질 구조 생성에 유용하고, MatterGen 같은 사전학습 모델은 안정적이고 다양한 결정 구조를 생성할 수 있다.
• Gap: 기존 생성 AI 모델들은 검증 없이 수백만 개의 불신뢰 후보를 생성하거나 실제로 합성 가능하지 않은 구조를 제안하며, 화학 전문가의 지식과 물리적 검증이 부족하다.
• Why: 신물질 발견은 환경·지정학적 과제 해결에 중요하고, 계산 예측은 화학 직관과 물리적 검증이 필요하며, 질 높은 소수의 후보 생성이 대량의 미검증 구조보다 실무 가치가 높다.
• Approach: MatterGen 기반 diffusion model에 training-free guidance mechanism을 추가하여 생성 시점에 사용자 정의 제약(원자간 거리, 배위수 등)을 주입하고, GRACE 같은 GNN-MLIP와 convex hull 분석으로 다단계 검증한다.

Achievement

Figure 3: Fe–Nd–B system: A. Counts of structures by B–Fe coordination number (CN) in

• 재학습 불필요: 사전학습 MatterGen 모델을 미세조정 없이 적응형 가이드로 새로운 제약 조건 처리
• DFT 수준 검증: GNN 추정기를 DFT 정확도로 보정하여 생성 구조의 에너지 신뢰성 확보
• 다중 검증 파이프라인: 기하학적 제약 만족도 + GNN 에너지 예측 + convex hull 분석으로 열역학적 안정성 종합 평가
• 화학 전문가 친화적: 물리·화학 제약을 해석 가능한 형태로 표현하여 전문가 주도 탐색 지원
• 다양한 사례 검증: Fe–Nd–B, Li–Co–O 등 무기 화합물 계통에서 제약 만족 결정 구조 생성 성공

How

Figure 1: Diffusion model for material generation based on two processes, the training and

• Score-based diffusion model의 역방향 프로세스에서 Bayesian 관점으로 조건부 score 함수 도입: ∇log q(z_t|C) = ∇log q(z_t) + ∇log q(C|z_t)
• Universal Guidance 및 classifier-free guidance 활용하여 differentiable constraint 함수(신경망 기반)로 표현 가능한 제약 통합
• GRACE 등 GNN-MLIP로 원자간 거리, 배위수, 부분 전하 등 기하학적·화학적 특성 통계 분포 평가
• Convex hull 분석으로 생성 구조의 열역학적 안정성 판정(0.10 eV/atom 이내 정의)
• MatterGen의 사전학습 가중치(unit cell ≤20 원자 처리)를 기반으로 저비용 추론 수행

Originality

• 기존 재학습 기반 조건화(conditioning)와 달리 training-free guidance로 새로운 제약 추가 시 모델 재학습 불필요
• 화학 전문가 의견을 diffusion model 역방향 프로세스에 직접 통합하는 해석 가능한 가이드 메커니즘
• GNN-MLIP 기반 에너지 추정과 convex hull 분석을 결합한 신뢰도 높은 다단계 검증 파이프라인
• MatterGen이라는 강건한 사전학습 모델 위에서 domain-specific 제약을 모듈식으로 적용 가능한 확장성

Limitation & Further Study

• 모델 용량 제한: MatterGen이 unit cell ≤20 원자만 처리하여 복잡한 대형 구조 생성 불가
• 제약 표현 범위: Differentiable 함수로 표현 가능한 제약만 적용 가능하며, 복잡한 화학 규칙(예: 특정 crystal symmetry) 표현 어려움
• GNN 추정기 정확도 의존성: GRACE 등 GNN의 DFT 수준 정확도 달성이 핵심인데, 극단적 제약 영역에서는 외삽(extrapolation) 오차 가능
• 실험 검증 부족: Case study는 이론적 검증만 제시하며 실제 합성 가능성 확인 미흡
• 후속 연구: Larger unit cell 지원 확대, GNN 불확실도 정량화, 실험 시합성 검증, 동적 제약 조정 메커니즘 개발

Evaluation

총평: 본 논문은 diffusion model에 training-free adaptive guidance를 도입하여 화학 전문가 지식을 생성 단계에 투명하게 통합하고, 신뢰도 높은 다중 검증으로 품질 중심의 결정 구조 탐색을 가능케 한 점에서 창의적이며, 무기 재료 발견의 실무적 가치를 높였다.