想象你面前有一座巨大的“原子积木仓库”，里面只摆着几十种砖块——这就是元素周期表。过去的材料学家像手工匠人，一块一块地试、一炉一炉地烧，花费几百年才垒出几万栋“原子大楼”。而谷歌 DeepMind 的 GNoME 系统，像一位不知疲倦的超级建筑设计师：它把每种材料看成一张“原子大楼”的图纸，先用已知的上万张图纸练就“火眼金睛”，再在绘图板上挥笔如飞，批量画出 220 万张前所未见的新蓝图，并逐张做“抗震验算”，判断哪栋楼能稳稳立住。本文就用这座“材料建筑事务所”的比喻，带你从砖块、户型、骨架、验算一路看到竣工，完整看懂“晶体结构生成”这件事。

岗位关联

掌握晶体结构生成，等于拿到 AI 时代的“材料加速器”。无论你未来做新能源、半导体还是药物研发，都能把原本以“年”计的材料筛选周期压缩到“天”，这正是 AI for Science 从业者最值钱的能力。

目录
  1. 可视化演示
  2. 晶体结构导论
  3. GNoME 架构原理
  4. 晶体图网络
  5. 稳定性筛选
  6. 大规模生成
  7. 实验验证与落地
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

演示扩散模型生成晶体结构、晶格矢量构建与生成质量评估，理解AI驱动的材料结构生成全过程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

扩散生成：无序到有序 原子 中心 denoise 去噪有序化

晶体结构导论

走进“材料建筑事务所”，你最先要认识的是原子大楼的“户型”与“骨架”。任何一栋材料大楼，都是用几十种元素砖块垒起来的，而砖块之间以极其规律的姿势重复排列，就像小区里一栋栋户型相同的楼按同一个间距排开。材料学家把这种“最小户型”称为晶胞，把整片楼房的框架称为晶格。

从数学上看，晶格就是晶胞在三维空间中沿三个方向的无限复制。只要知道一个户型长什么样、楼间距是多少，就能推算出整片小区。晶胞的参数（a、b、c 三条边的长度与夹角）决定了晶系的形状，而原子在晶胞内的具体摆法，则决定这栋“原子大楼”是坚硬如钻石，还是脆如冰块。

理解了“户型”和“骨架”后你会发现，GNoME 的工作起点正是这套几何语言——它要把成千上万个这样的“楼盘”输入大脑，学习什么样的骨架能让大楼站得稳。

ruvw=u a+v b+w c,u,v,w∈Z\displaystyle \mathbf{r}_{uvw} = u\,\mathbf{a} + v\,\mathbf{b} + w\,\mathbf{c},\quad u,v,w \in \mathbb{Z}
这个公式是说：任意一个晶格点的位置，都能用三个“平移步长”（晶胞边长）的整数倍组合来表示。
  1. 平移矢量$\mathbf{a}$、$\mathbf{b}$、$\mathbf{c}$ 是晶胞的三条边向量，相当于楼房间的“行距”和“列距”。
    ruvw\mathbf{r}_{uvw}
  2. 整数限制$u$、$v$、$w$ 必须是整数，说明晶体只能一格一格地跳着重复，不能像液体那样在空间里连续滑动。
    u,v,w∈Zu, v, w \in \mathbb{Z}

GNoME 架构原理

GNoME 全称 Graph Networks for Materials Exploration，是谷歌 DeepMind 于 2023 年推出的“材料设计大师”。这位大师的特殊之处在于：它不属于传统的“公式推导派”，而是属于新兴的科学智能流派——让神经网络直接从海量数据中“悟”出物理规律，而不是等人把规律写成公式再喂给它。

要让大师练出“一眼看出楼稳不稳”的眼光，必须有足够多的“历史图纸”。GNoME 的培训教材是 Materials Project 等数据库里约 4.8 万种已知晶体结构，每张图纸都附带一个标签：这栋楼的总能量是多少。图纸看得多了，大脑里的“结构-能量”直觉就形成了。之后，当你递给它一张从未见过的新结构图纸时，它能在毫秒级给出能量预测。

这位大师之所以厉害，还在于它速度惊人：传统 DFT 计算一栋“大楼”的能量需要数小时到数天，而 GNN 只需一瞬。有了这份“秒读图纸”的本事，批量审查几百万张新图纸才成为可能。

E^=GNNθ(GC),GC=(V,E)\displaystyle \hat{E} = \mathrm{GNN}_\theta\bigl(\mathcal{G}_C\bigr), \quad \mathcal{G}_C = (V, E)
这个式子描述 GNoME 的读图方式：把晶体结构 $\mathcal{G}_C$ 交给图神经网络 GNN，输出一个预测总能量 $\hat{E}$。
  1. 晶体图表$\mathcal{G}_C$ 是晶体结构的图表示，$V$ 是原子节点集合，$E$ 是原子间的连接边集合。
    GC=(V,E)\mathcal{G}_C = (V, E)
  2. 神经网络映射$\mathrm{GNN}_\theta$ 是一个带参数 $\theta$ 的图神经网络，负责把图“读”成能量。
    E^=GNNθ(⋅)\hat{E} = \mathrm{GNN}_\theta(\cdot)
  3. 参数训练$\theta$ 是网络里所有可调旋钮，通过大量已知晶体数据反复调优，最终让预测能量逼近真实值。
    θ←θ−η∇θL(E^,Etrue)\theta \leftarrow \theta - \eta \nabla_\theta \mathcal{L}(\hat{E}, E_{\text{true}})

晶体图网络

大师的“速记符号”是什么？是把原子大楼拆成一张关系图。想象你向包工头描述一栋楼：你不需要画几十张透视图，只需列一份清单——每个房间里住着哪种原子（节点），哪些房间之间有墙相连（边）。GNoME 正是用这种“节点+边”的图语言来编码晶体的。

每个原子节点上都挂着一串“特征标签”：原子种类、半径、电负性、所在位置等，这称为特征嵌入。光有静态标签还不够，图网络真正神奇的地方在于消息传递：每个原子会主动向邻居“打探消息”，邻居的化学环境会一层层地传播过来，就像大楼里每个住户都知道了整栋楼的隔音情况。

经过几轮消息传递，每个原子的表示就携带了整个局部环境的信息，GNN 借此预测总能量。相比把晶体当成 3D 像素图的卷积分，图网络的连接方式天然贴合原子间的化学键，这也是 GNoME 选它当“速记符号”的原因。

hv(k+1)=Update(hv(k), Aggregate({mu→v(k):u∈N(v)}))\displaystyle h_v^{(k+1)} = \mathrm{Update}\left( h_v^{(k)},\, \mathrm{Aggregate}\left( \left\{ m_{u\to v}^{(k)} : u \in \mathcal{N}(v) \right\} \right) \right)
这条消息传递公式是说：每一轮，“房间” $v$ 都会把邻居们捎来的口信汇总成一封新消息，用它更新自己的“印象笔记”。
  1. 邻居消息$m_{u\to v}^{(k)}$ 是邻居 $u$ 在第 $k$ 轮传给 $v$ 的消息，内容由 $u$ 的特征和两者之间的键属性决定。
    mu→v(k)m_{u\to v}^{(k)}
  2. 聚合函数$\mathrm{Aggregate}$ 把 $v$ 的所有邻居消息收集起来，常见的做法是求和或取平均。
    Aggregate({mu→v:u∈N(v)})\mathrm{Aggregate}\left( \{ m_{u\to v} : u \in \mathcal{N}(v) \} \right)
  3. 更新表示$\mathrm{Update}$ 把旧表示 $h_v^{(k)}$ 与聚合结果结合，生成第 $k+1$ 轮的新表示。
    hv(k+1)h_v^{(k+1)}

稳定性筛选

图纸画得再多，最终要回答一个生死问题：这栋“原子大楼”会不会塌？建筑师的判断标准是抗震验算，而材料学家的标准是能量。GNoME 的验算分两步走：先看形成能，再看分解能（凸包距离）。

形成能回答“这栋楼从零盖起容不容易”。如果形成能为负，说明原子们聚成这栋楼时会释放能量，天然倾向于自组装；如果为正，则意味着需要外部强行加压才能凑合。但形成能只是“单科成绩”，更关键的是分解能：即使大楼自己盖得起来，它也可能变成另一种更稳的“楼型”。所以材料学家把所有候选结构的能量画在一张“能量-成分”图上，取最低能量的包络线（凸包），离这条包络线越近，材料越可能存活。

GNoME 的训练目标正是同时拟合形成能和凸包距离这两个“验算指标”。它给出的每张图纸都会附上验算结果，而筛选阈值 $\tau$ 就是事务所的“质检红线”——低于红线，图纸留下；高于红线，直接丢进废纸篓。

ΔEf=Etot−∑ini Ei\displaystyle \Delta E_f = E_{\text{tot}} - \sum_{i} n_i\, E_i
这个公式是形成能的定义：整栋楼的总能量，减去各元素砖块原始状态能量的总和。
  1. 总能量$E_{\text{tot}}$ 是晶体结构的总能量，相当于大楼建成后的“自重大小”。
    EtotE_{\text{tot}}
  2. 参考能量$E_i$ 是第 $i$ 种元素在其标准参考态下的单原子能量，相当于每块砖出厂时的“基准重量”。
    ni Ein_i\, E_i
  3. 求和与差值按化学式中的原子个数 $n_i$ 求和后减去总能量，差值越负，说明成楼时释放的能量越多、结构越稳。
    ΔEf=Etot−∑iniEi\Delta E_f = E_{\text{tot}} - \sum_i n_i E_i

大规模生成

有了过硬的“验算师”，下一步就是批量出图。GNoME 的出图方式并不是凭空乱画，而是从已知“户型”出发做元素替换：把某个原子交换成同族或性质相近的元素，一栋楼就变成了一栋新楼。这样一做，化学组合空间立刻爆炸。例如在一个含氧的骨架上把钙换成镁，就能得到新的候选结构。

除了替换，GNoME 还会做结构扰动、随机组合，并对产物做迭代优化——先用图网络快速评估，把能量偏高的淘汰，再对幸存者微调原子位置继续评估，如此反复，像建筑师在草图上一轮轮改稿，直到“抗震验算”达标。整个过程就是在几百亿种可能的未知空间中系统探索。

最终，GNoME 从约 10 亿个候选结构中筛出了 220 万种稳定晶体，其中约 38 万种是此前从未被记录过的新“楼盘”。这个数量级，是任何人类团队用传统方法都无法想象的。

Nwin=∑c∈C1(ΔEd (E^c)<τ)\displaystyle N_{\text{win}} = \sum_{c \in \mathcal{C}} \mathbb{1}\left( \Delta E_d\,(\hat{E}_c) < \tau \right)
这条公式统计最终存活图纸的数量：对候选集合 $\mathcal{C}$ 里的每一张图纸，若它的凸包距离低于阈值就记 1 分，最后加总。
  1. 候选集合$\mathcal{C}$ 是所有通过元素替换、随机组合生成的候选结构“图纸堆”。
    c∈Cc \in \mathcal{C}
  2. 验算指标$\Delta E_d(\hat{E}_c)$ 是第 $c$ 张图纸的预测凸包距离，由 GNN 输出能量推算而来。
    ΔEd(E^c)\Delta E_d(\hat{E}_c)
  3. 指示函数与求和$\mathbb{1}(\cdot)$ 在条件成立时取 1、否则取 0，求和后得到稳定结构的数量。
    Nwin=∑c1(⋅)N_{\text{win}} = \sum_c \mathbb{1}(\cdot)

实验验证与落地

图纸终归要拿去盖楼。GNoME 的出品并非纸上谈兵——它把 220 万张图纸中的 38 万张“最稳候选”提交给实验科学家，并与美国劳伦斯伯克利国家实验室合作，在真实实验室里成功合成出数十种新材料。原本需要数月的试错，被压缩到了几天甚至几小时。

这个“图纸变真楼”的过程构成了完整闭环：AI 生成 → 机器筛选 → 理论验证 → 人工合成 → 数据回流训练。每一次实验不仅产出一块新材料，还回喂给 GNN 模型，让大师的眼光越来越毒。这正是科研加速的意义：不是取代科学家，而是把科学家从“人肉试错”中解放出来。

回到“材料建筑事务所”的比喻：曾经的老工匠一生只能画几十张图纸，而 GNoME 这位 AI 建筑师一天就能画出百万张，还能用验算红线保证质量。晶体结构生成，正是这场“造物革命”的核心引擎——它让人类第一次以近乎无限的速度，探索原子世界的每一种可能。

R=NnewNknown≈2.2×1064.8×104≈45\displaystyle R = \frac{N_{\text{new}}}{N_{\text{known}}} \approx \frac{2.2 \times 10^6}{4.8 \times 10^4} \approx 45
这个倍率公式说明：GNoME 一次性把人类已知的晶体“知识库存”扩展了约 45 倍。
  1. 新图纸数$N_{\text{new}} = 2.2 \times 10^6$，是 GNoME 生成的稳定候选结构总数。
    2.2×1062.2 \times 10^6
  2. 已知图纸数$N_{\text{known}} = 4.8 \times 10^4$，是人类历史上积累的实验测定晶体结构数量。
    4.8×1044.8 \times 10^4
  3. 倍率计算两者相除得到扩增倍率，直观展示 AI 对材料学知识边界的扩张能力。
    R≈45R \approx 45

AI 应用场景

固态电池电解质筛选

阶段：候选生成与稳定性筛选

解决的问题：传统电解质的研发依赖实验试错，从几十种氧化物、硫化物中挑选高离子电导率且稳定的材料，往往要耗数年。GNoME 式流程先生成大量候选锂化合物结构，再用图网络预测其形成能与凸包距离，快速锁定律子传导通道既宽又稳的结构，大幅压缩初期筛查时间。

具体案例：某电池研发团队用 GNN 对 10 万种含锂硫化物候选做能量筛选，一周内选出 200 种低凸包距离结构，再交给 DFT 与实验验证，最终在三个月内确定两款高电导率固态电解质配方，而传统路径通常需要两年。

钙钛矿光伏材料组分优化

阶段：性质预测与迭代优化

解决的问题：钙钛矿太阳能电池的效率与稳定性高度依赖 A、B、X 位离子的组合。人工逐一试配比几乎不可能，因为组合数以万计。借助晶体图网络，AI 把每个组分对应的晶体结构建模成图，预测带隙与分解能，快速淘汰易分解的组合。

具体案例：一家光伏初创公司以 5000 个已知钙钛矿结构训练 GNN，对 8 万种“元素替换”候选做带隙与凸包双指标筛选，得到 120 个候选，其中 8 种在实验室中实现了超过 24% 的光电转换效率且稳定性达标。

多孔框架材料与催化剂设计

阶段：结构空间探索

解决的问题：MOF（金属有机框架）等多孔材料的结构空间极其巨大，实验合成前难以判断哪种孔道构型能高效吸附气体或催化反应。晶体图网络可以编码孔道拓扑和配位环境，从能量角度筛选热力学稳定的框架。

具体案例：某科研团队用 GNN 批量评估 20 万种虚拟 MOF 的分解能与孔道尺寸，筛选出 300 种候选用于二氧化碳捕获模拟，其中 15 种经实验合成验证，吸附容量超过现有商用材料 30%。

Python 演示

python67 行
import numpy as npfrom itertools import combinations # 元素性质表: (原子半径, 电负性, 参考能量)ELEMENTS = {    'O':  (0.66, 3.44, -1.5),    'Na': (1.02, 0.93, 0.0),    'Mg': (0.72, 1.31, 0.3),    'Al': (0.54, 1.61, 0.5),    'Si': (0.40, 1.90, 0.8),    'Ca': (1.00, 1.00, 0.2),} def build_graph(species, coords, radius=2.4):    """坐标列表转为邻接边表 类似 GNoME 的距离截断建图"""    edges = []    for i, j in combinations(range(len(species)), 2):        d = np.linalg.norm(np.array(coords[i]) - np.array(coords[j]))        if d < radius:            edges.append((i, j))    return edges def predict_form_energy(species, coords):    """简化版图网络 用参考能量加离子键修正做形成能预测"""    ref = sum(ELEMENTS[s][2] for s in species)    edges = build_graph(species, coords)    bond = 0.0    for i, j in edges:        en_i = ELEMENTS[species[i]][1]        en_j = ELEMENTS[species[j]][1]        bond -= 0.35 * abs(en_i - en_j)    cnt = len(edges) / max(len(species), 1)    return ref + bond * 0.4 - 0.1 * cnt def swap_element(candidate, pool):    """元素替换生成新候选 模拟 GNoME 的未知空间探索"""    species, coords = candidate    for idx in range(len(species)):        for elem in pool:            if elem != species[idx]:                new_species = list(species)                new_species[idx] = elem                yield (tuple(new_species), coords) def main():    base_species = ('O', 'Na', 'Mg', 'Ca')    base_coords = [(0, 0, 0), (1.2, 0, 0), (0, 1.2, 0), (0, 0, 1.2)]    seed = (base_species, base_coords)    print('seed 形成能:', predict_form_energy(*seed))     candidates = [seed]    swappable = ['Li', 'Na', 'K', 'Mg', 'Ca', 'Al']    for cand in swap_element(seed, swappable):        if len(candidates) >= 3:            break        candidates.append(cand)     winners = []    for cand in candidates:        e = predict_form_energy(cand[0], cand[1])        print(cand[0], '-> 形成能 %.3f eV' % e)        if e < -0.8:            winners.append(cand)    print('稳定候选数:', len(winners)) if __name__ == '__main__':    main()
目的：用简化版“建图 + 能量预测 + 元素替换 + 筛选”四步流程，模拟 GNoME 从种子晶体出发批量生成候选并挑出低形成能稳定结构的核心逻辑。
  1. def build_graph(species, coords, radius=2.4):把原子坐标转成图网络的边表，距离小于截断半径的原子对视为“有墙相连”。
  2. if d < radius:这是建图的阈值判断，对应 GNoME 中“近邻原子成键”的物理直觉。
  3. bond -= 0.35 * abs(en_i - en_j)电负性差越大，离子键成分越强，形成能越低，结构越稳。
  4. cnt = len(edges) / max(len(species), 1)配位数越高代表原子堆叠越紧密，小幅降低能量。
  5. def swap_element(candidate, pool):元素替换生成器，逐个尝试把某个原子换成其他元素。
  6. yield (tuple(new_species), coords)只记录替换后的种类列表而不改坐标，模拟“在同一骨架上换砖块”。
  7. e = predict_form_energy(cand[0], cand[1])对每个候选结构做“抗震验算”，得到预测形成能。
  8. if e < -0.8:形成能阈值筛选，负得越多越优先保留，就是代码版“质检红线”。

常见误区

误区

正解220 万是热力学预测“稳定”的候选，其中真正能脱离理论、进入实验室的约 38 万种，而这 38 万中又只有一部分能被现有合成路径制备。就像建筑师画出的楼房图纸经过抗震验算，但最终能拿到施工许可、成功盖起来的，还要看地基、材料和施工队。AI 的产出是“候选”，不是“成品”。

为何常见：媒体报道常把“发现”简化为“造出”，读者容易混淆理论预测与实际合成之间的鸿沟。

误区

正解随机排列组合的搜索空间高达几十亿量级，全靠蛮力根本不可行。GNoME 的可贵之处在于用图网络学到了“结构-能量”的潜在规律，能判断换哪个元素、怎么调原子位置会让大楼更稳，从而实现有方向的探索。它不是瞎蒙，而是“看多了图纸后一眼识图”的老师傅。

为何常见：人们习惯把 AI 简单理解为“穷举暴力”，忽视图网络从训练数据中提取物理规律的核心机制。

误区

正解形成能描述的是“从单质元素盖起这栋楼”的难易，但它没有考虑竞争对手——材料可能分解成另外两种更稳定的化合物。凸包距离比较的是“这栋楼”与“整套楼盘最省钱方案”的差距。只有离凸包足够近，材料才不会自动变成别的东西。GNoME 的筛选线正设在凸包距离上，而不是只看形成能的绝对值。

为何常见：教材里常强调“能量越低越稳定”，初学者容易忽视稳定性是相对竞争相的，而非绝对的。

误区

正解晶体图保持的是拓扑连接关系——原子是节点，原子间的近邻或化学键是边，每个节点挂上原子种类、位置等特征。这种表示天然对平移、旋转不敏感，且键的连接与物理作用一一对应，比体素网格高效得多。GNoME 也正是因此选图网络，而不是 3D CNN。

为何常见：图卷积近年来不如视觉模型普及，初学者容易拿熟悉的图像处理经验硬套，忽略了“图”与“网格”的本质区别。

误区

正解GNN 擅长的是以极低代价在百万级候选中做“粗筛”，把明显不稳的淘汰掉；但它的能量预测仍有误差，对进入决赛圈的候选需要用 DFT 等高精度方法复核，最终还要靠实验合成确认。整个流程像漏斗：GNN 负责初筛，DFT 负责复检，实验负责终审。只靠任何一环都会出错。

为何常见：AI 的能力被夸大后，容易让人误以为它已经取代了传统计算与实验，忽略了模型训练数据恰恰来源于 DFT 与实验的事实。

面试题

Q1. 晶体中的“晶胞”指的是？

单选题 · easy

  • A.晶体的最小重复单元← 正确答案
  • B.晶体中的最大原子
  • C.粉末状晶体颗粒
  • D.晶体表面的缺陷

答案：A。晶胞是晶体的最小重复单元，像小区里一个标准户型，整栋大楼由户型平移复制而成。最大原子、粉末颗粒、表面缺陷都只是晶体的某个局部特征，与“周期重复”无关。

Q2. GNoME 材料发现系统最核心的模型是？

单选题 · easy

  • A.图神经网络 GNN← 正确答案
  • B.卷积神经网络 CNN
  • C.循环神经网络 RNN
  • D.贝叶斯网络模型

答案：A。GNoME 全称 Graph Networks for Materials Exploration，核心是图神经网络。它把原子抽象为节点、化学键抽象为边，天然适配晶体拓扑。CNN 适合图像网格，RNN 适合序列，贝叶斯网络不适合大规模结构生成。

Q3. 形成能公式 ΔE_f = E_tot − Σ n_i E_i 中，E_i 表示？

单选题 · mid

  • A.元素 i 的参考态能量← 正确答案
  • B.晶体总电子云能量
  • C.原子间键能之和
  • D.晶胞体积对应能量

答案：A。E_i 是第 i 种元素在标准参考态下的单原子能量，相当于砖块出厂的“基准重量”。总能量 E_tot 减去所有砖块基准能量之和，得到“盖楼本身的能耗”。其他选项描述的都是不同的物理量。

Q4. 晶体被表示成图 G=(V,E) 时，V 和 E 分别指？

单选题 · mid

  • A.原子节点与化学键边← 正确答案
  • B.电子与轨道空穴
  • C.晶格与对称操作
  • D.原子核与电子云

答案：A。在晶体图网络中，V 是原子节点集合，E 是原子之间的边（化学键或近邻关系）。图中没有单独的电子、轨道或对称操作对象。消息传递正是在“节点-边”结构上进行的。

Q5. 材料学中“凸包距离”衡量的是什么？

单选题 · hard

  • A.材料与竞争相能量的差距← 正确答案
  • B.晶体颗粒的尺寸大小
  • C.原子键长的平均值
  • D.晶胞斜角的度数

答案：A。凸包距离是当前材料能量与同成分下最低能量包络线的差值，反映它是否会分解成其他更稳定的竞争相。尺寸、键长、角度都是几何属性，与“能否存活”的热力学判据无关。

Q6. GNoME 材料发现流程包含哪些环节？

多选题 · mid

  • A.用 GNN 预测形成能与凸包距离← 正确答案
  • B.在未知组合空间采样生成候选← 正确答案
  • C.用 DFT 精确验证少数候选← 正确答案
  • D.完全跳过实验仅凭模型输出

答案：ABC。GNoME 的流程是“生成候选 → GNN 粗筛 → DFT 复检 → 实验合成验证”，A、B、C 都是真实环节。D 是错误项，AI 的预测必须经过高精度验证与实验确认后才能成为可信材料发现。

Q7. GNoME 累计预测的稳定晶体结构规模约为？

单选题 · easy

  • A.超过两百万种新结构← 正确答案
  • B.恰好十万种新结构
  • C.不到一万种新结构
  • D.只有几千种新结构

答案：A。GNoME 从约 10 亿候选结构中筛选出约 220 万种稳定晶体，其中约 38 万种热力学稳定且有较高合成前景。这是传统方法无法企及的规模，也是“材料空间扩增 45 倍”说法的来源。

Q8. 为什么 GNN 比传统 DFT 更适合做百万级候选的初筛？

多选题 · hard

  • A.GNN 推理速度快几个数量级← 正确答案
  • B.GNN 能直接给出绝对精确能量
  • C.GNN 可批量处理百万级候选← 正确答案
  • D.GNN 完全不需要训练数据

答案：AC。GNN 训练完成后前向推理只需毫秒，能对百万级结构批量评估，这是它做初筛的核心优势。但它不能给出绝对精确的能量，需要 DFT 复核，且必须用大量 DFT 数据训练，所以 B、D 都是错误陈述。

Q9. 图网络的“消息传递”机制主要包含哪些操作？

多选题 · mid

  • A.聚合邻居原子信息← 正确答案
  • B.更新节点自身表示← 正确答案
  • C.让原子在空间中移动
  • D.直接把结构变成标量

答案：AB。消息传递分两步：先聚合邻居传来的消息，再用聚合结果更新当前节点表示。它不改变原子的真实空间位置，也不会一步输出标量，而是通过多层迭代逐步丰富节点特征。

Q10. 为什么预测“凸包距离”比单独看“形成能”更能判断材料能否存活？

单选题 · extreme

  • A.能反映材料分解成竞争相的倾向← 正确答案
  • B.分解能比形成能更容易计算
  • C.凸包距离只依赖晶胞密度
  • D.形成能无法用神经网络近似

答案：A。形成能只回答“从单质盖这栋楼是否放热”，但材料在现实环境中可能分解成一组更稳定的竞争相。凸包距离比较当前结构与同成分最低能量方案的差距，差距小才说明它不会自动解体。B、C、D 均与事实不符：凸包距离计算更复杂，依赖完整能量图，且形成能完全可以被 GNN 学习。