arXiv cs.AI· Sergio Rinc\'on, Gabriel Gonz\'alez, Nicol\'as Andrade, Rafael Vel\'asquez, Sebasti\'an Ojeda, Juanita Puentes, Nicol\'as Aparicio, Paula C\'ardenas, Pablo Arbel\'aez·· 1 天前AI 评分34
OPAL-Bench：面向晶体结构预测的多晶型感知定量评估基准
Quantitative Assessment of Crystal Structure Prediction
AI 导读
研究团队提出 OPAL-Bench，将晶体结构预测（CSP）与对称性信息方法（SICSP）作为两个独立任务评估，覆盖 4 个数据集、7 种 CSP 和 2 种 SICSP 方法，采用无阈值几何与物理距离指标。
正文 · AI 翻译
摘要：晶体结构预测（CSP）旨在根据材料的化学组成预测其三维结构，应用范围从储能到生物医学器件。尽管其重要性不言而喻，现有评估框架仍存在关键局限：它们依赖对阈值敏感或不可比较的指标，主要关注几何性能而忽视物理合理性，并且未能考虑多晶型现象，即同一化学组成可结晶为多种稳定结构。与此同时，近期对称性感知 CSP（SICSP）方法常在报告结果时与标准 CSP 基线并列，却在推理阶段接收晶体学模板，这限制了搜索空间，使 SICSP 成为本质上不同的任务。为解决这些局限，我们提出了一个方向不变、多晶型感知的大型基准（OPAL-Bench），将 CSP 与 SICSP 作为独立任务进行评估。我们在 OPAL-Bench 下，使用无阈值的几何与物理距离指标，跨 4 个数据集评估了 7 种 CSP 方法和 2 种 SICSP 方法。结果表明，没有方法在所有指标上占优，且几何性能与物理合理性之间并无强相关性。我们还发布了 OPAL-CSP，这是一个用于 CSP 赛道的 SE(3) 等变流匹配基线，在几何指标上具有竞争力，并在物理指标上名列前茅。通过在多晶型感知协议下统一几何与物理指标，OPAL-Bench 能够更全面地评估 CSP 中的生成质量。
| 评论： | 已被 NeurIPS 2026 评估与数据集赛道接收。49 页，21 幅图，17 张表。代码：此 https URL |
| 主题： | 机器学习（cs.LG）；材料科学（cond-mat.mtrl-sci）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.10380 [cs.LG] |
| （或 arXiv:2611.10380v2 [cs.LG] 为此版本） | |
| https://doi.org/10.48550/arXiv.2611.10380 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Gabriel González [查看邮箱]
[v1]
2026 年 11 月 7 日星期六 01:34:05 UTC（16,613 KB）
[v2]
2026 年 11 月 10 日星期二 20:15:46 UTC（16,611 KB）
来源：arXiv cs.AI · arxiv.org