CliqueFlowmer: Offline-Optimierung von Materialien mit neuem Ansatz

Die jüngsten Fortschritte im Deep Learning haben neue Wege für die computational materials discovery (CMD) eröffnet. In vielen Fällen geht es darum, Materialien zu finden, die eine bestimmte Zielgröße optimieren. Generative Modelle, die bislang häufig eingesetzt wurden, stoßen jedoch an ihre Grenzen, weil sie auf Maximum‑Likelihood‑Training beruhen und dadurch nur begrenzt neue, attraktive Regionen des Materialraums erkunden können.

In der vorliegenden Arbeit wird ein alternativer Ansatz vorgestellt: Offline model‑based optimization (MBO). Dieser Ansatz integriert die direkte Optimierung einer Zielmaterialeigenschaft direkt in den Generierungsprozess. Das dafür entwickelte, domänenspezifische Modell trägt den Namen CliqueFlowmer.

CliqueFlowmer verbindet die neuesten Entwicklungen im Bereich clique‑basierter MBO mit Transformer‑ und Flow‑Generierung. Durch diese Kombination kann das Modell gezielt nach Materialien suchen, die die gewünschte Eigenschaft maximieren, und dabei effizienter als herkömmliche generative Baselines agieren.

Die Autoren haben die Optimierungsfähigkeiten von CliqueFlowmer umfangreich getestet und gezeigt, dass die erzeugten Materialien die von generativen Baselines deutlich übertreffen. Damit bietet das Modell einen vielversprechenden Ansatz, um Materialien schneller und gezielter zu entdecken.

Um die Anwendung von CliqueFlowmer in spezialisierten Optimierungsaufgaben zu erleichtern und die interdisziplinäre Forschung zu fördern, stellen die Forscher ihren Code als Open‑Source unter https://github.com/znowu/CliqueFlowmer zur Verfügung. Die Arbeit ist auf arXiv unter 2603.06082v1 veröffentlicht.