【供稿：物理学院】近日，吉林大学物理学院与中国科学院物理研究所组成的联合研究团队在晶体结构生成模型研究上取得重要进展。相关研究成果以“CrystalFlow: a flow-based generative model for crystalline materials”为题，于2025年10月20日发表在《Nature Communications》上。

发展高效的晶体结构预测方法一直是计算凝聚态物理与材料科学的重要课题。受限于晶体势能面高维度和多能谷的复杂特征，传统基于势能面全局优化的结构预测方法长期面临计算效率瓶颈。近年来，深度学习生成模型的快速发展显著提升了人们对复杂高维数据（如图像与自然语言）的表征、生成与评估能力，为破解晶体结构预测中“高维离散组合+连续几何优化”的核心难题提供了全新机遇。

在本研究中，团队采用连续归一化流与流匹配技术，提出了基于流模型的晶体结构生成框架CrystalFlow。CrystalFlow基于晶体图表示，结合等变消息传递网络，在架构层面严格遵循晶体的周期性与E(3)不变性，实现了对晶格参数、原子坐标与元素种类的高效学习与联合生成。进一步，研究引入无分类器引导策略，使模型能够在给定外部压强、形成能等条件下实现受控生成。系统的测试结果表明，相较于前期晶体结构生成模型，CrystalFlow在结构预测准确率、结构生成速度以及高压相结构生成等方面均取得了显著提升，为复杂体系的结构预测提供了新的有力工具。

图1 CrystalFlow模型架构示意图

论文第一作者为吉林大学物理学院博士研究生罗啸山；通讯作者为吉林大学吕健教授、王彦超教授，中国科学院物理研究所王磊研究员，以及浙江大学马琰铭教授。该工作获得国家自然科学基金、国家重点研发计划等项目资助，并得到MindSpore社区的支持。

论文全文链接：

https://doi.org/10.1038/s41467-025-64364-4