Resumen: Los avances recientes en el aprendizaje profundo inspiraron enfoques basados en redes neuronales para el descubrimiento de materiales computacionales (CMD). Una gran cantidad de problemas en este campo implican encontrar materiales que optimicen una propiedad objetivo. Sin embargo, los métodos de modelado generativo cada vez más populares son ineficaces a la hora de explorar audazmente regiones atractivas del espacio de materiales debido a su entrenamiento de máxima probabilidad. En este trabajo, ofrecemos una técnica CMD alternativa basada en la optimización basada en modelos (MBO) fuera de línea que fusiona la optimización directa de una propiedad del material objetivo en la generación. Con ese fin, presentamos un modelo de dominio específico, denominado CliqueFlowmer, que incorpora avances recientes de MBO basado en camarillas en la generación de flujo y transformadores. Validamos las capacidades de optimización de CliqueFlowmer y demostramos que los materiales que produce superan con creces a los proporcionados por las líneas de base generativas. Para permitir el empleo de CliqueFlowmer en problemas de optimización de materiales especializados y respaldar la investigación interdisciplinaria, abrimos nuestro código en esta URL https.
Publicado originalmente en export.arxiv.org el 8 de marzo de 2026.
Ver fuente original
