MatterGen 是一个用于整个元素周期表范围内无机材料设计的生成模型，可以微调以引导生成满足各种属性约束的材料。

目录

• 安装
• 使用预训练模型开始
• 生成材料
• 评估
• 自行训练 MatterGen
• 数据发布
• 引用
• 商标
• 负责任的人工智能透明文档
• 联系我们

安装

安装依赖项的最简单方法是通过 uv，这是一个快速的 Python 包和项目管理器。

可以通过以下命令安装 MatterGen 环境（假设您正在运行 Linux 并且拥有 CUDA GPU）：

pip install uv
uv venv .venv --python 3.10 
source .venv/bin/activate
uv pip install -e .

请注意，我们的数据集和模型检查点通过 Git Large File Storage (LFS) 提供在此存储库中。 要检查您的机器上是否安装了 LFS，请运行：

git lfs --version

如果输出类似 git-lfs/3.0.2 (GitHub; linux amd64; go 1.18.1) 的版本信息，则可以跳过以下步骤。

安装 Git LFS

如果您在克隆此存储库之前未安装 Git LFS，可以通过以下方式安装：

sudo apt install git-lfs
git lfs install

Apple Silicon

[!警告] 在 Apple Silicon 上运行 MatterGen 是实验性的。请自行承担风险使用。
此外，在任何训练或生成运行之前，您需要运行 export PYTORCH_ENABLE_MPS_FALLBACK=1。

使用预训练模型开始

我们提供了 MatterGen 的无条件基础版本的检查点，以及针对这些属性微调的模型：

• mattergen_base: 基于 Alex-MP-20 训练的无条件基础模型
• mp_20_base: 基于 MP-20 训练的无条件基础模型
• chemical_system: 基于化学系统条件微调的模型
• space_group: 基于空间群条件微调的模型
• dft_mag_density: 基于 DFT 磁密度条件微调的模型
• dft_band_gap: 基于 DFT 带隙条件微调的模型
• ml_bulk_modulus: 基于 ML 预测器预测的体积模量条件微调的模型
• dft_mag_density_hhi_score: 基于 DFT 磁密度和 HHI 分数联合条件微调的模型
• chemical_system_energy_above_hull: 基于化学系统和 DFT 能量高于凸包联合条件微调的模型

检查点位于 checkpoints/<model_name>，也可以在 Hugging Face 上获取。默认情况下，它们会在请求时从 Huggingface 下载。您也可以通过以下命令手动从 Git LFS 下载：

git lfs pull -I checkpoints/<model_name> --exclude="" 

[!注意] 提供的检查点是使用此存储库重新训练的，因此与论文中使用的检查点不完全相同。结果可能会略有偏差。

生成材料

无条件生成

要从预训练的基础模型中采样，请运行以下命令：

export MODEL_NAME=mattergen_base
export RESULTS_PATH=results/  # 样本将写入此目录

# 生成 batch_size * num_batches 个样本
mattergen-generate $RESULTS_PATH --pretrained-name=$MODEL_NAME --batch_size=16 --num_batches 1

该脚本将在 $RESULTS_PATH 中写入以下文件：

• generated_crystals_cif.zip: 包含每个生成结构的单个 .cif 文件的 ZIP 文件。
• generated_crystals.extxyz: 包含各个生成结构作为帧的单个文件。
• 如果 --record-trajectories == True（默认值）：generated_trajectories.zip: 包含每个生成结构的完整去噪轨迹的 .extxyz 文件的 ZIP 文件。

[!提示] 为了获得最佳效率，请将批处理大小增加到您的 GPU 可以承受的最大值，而不会耗尽内存。

[!注意] 要从您自己训练的模型中采样，请将 --pretrained-name=$MODEL_NAME 替换为 --model_path=$MODEL_PATH，并填写您的模型位置以替换 $MODEL_PATH。

属性条件生成

使用微调模型，您可以根据目标属性生成材料。 例如，要从基于磁密度训练的模型中采样，可以运行以下命令：

export MODEL_NAME=dft_mag_density
export RESULTS_PATH="results/$MODEL_NAME/"  # 样本将写入此目录，例如 `results/dft_mag_density`

# 使用目标磁密度为 0.15 生成条件样本
mattergen-generate $RESULTS_PATH --pretrained-name=$MODEL_NAME --batch_size=16 --properties_to_condition_on="{'dft_mag_density': 0.15}" --diffusion_guidance_factor=2.0

[!提示] 参数 --diffusion-guidance-factor 对应于 classifier-free diffusion guidance 中的 $\gamma$ 参数。将其设置为零对应于无条件生成，进一步增加它往往会生成更符合输入属性值的样本，但会牺牲样本的多样性和真实性。

多属性条件生成

您还可以根据多个属性生成材料。例如，您可以使用位于 checkpoints/chemical_system_energy_above_hull 的预训练模型，根据化学系统和能量高于凸包进行生成，或者使用位于 checkpoints/dft_mag_density_hhi_score 的模型，根据 HHI 分数 和磁密度进行联合条件生成。 根据您的具体需求调整以下命令：

export MODEL_NAME=chemical_system_energy_above_hull
export RESULTS_PATH="results/$MODEL_NAME/"  # 样本将写入此目录，例如 `results/dft_mag_density`
mattergen-generate $RESULTS_PATH --pretrained-name=$MODEL_NAME --batch_size=16 --properties_to_condition_on="{'energy_above_hull': 0.05, 'chemical_system': 'Li-O'}" --diffusion_guidance_factor=2.0

评估

一旦你生成了一个包含在 $RESULTS_PATH 中的结构列表（无论是使用 MatterGen 还是其他方法），你可以使用默认的 MatterSim 机器学习力场（MLFF，Machine Learning Force Field，请参见 仓库）对这些结构进行弛豫，并通过以下命令计算新颖性、独特性、稳定性（使用 MatterSim 估计的能量）及其他指标：

git lfs pull -I data-release/alex-mp/reference_MP2020correction.gz --exclude=""  # 首先从 Git LFS 下载 MP2020 参考数据集
mattergen-evaluate --structures_path=$RESULTS_PATH --relax=True --structure_matcher='disordered' --save_as="$RESULTS_PATH/metrics.json"

如果你想在应用 TRI2024 校正方案时使用参考数据集（推荐），请改为运行以下命令：

git lfs pull -I data-release/alex-mp/reference_TRI2024correction.gz --exclude=""  # 下载 TRI2024 参考数据集
mattergen-evaluate --structures_path=$RESULTS_PATH --relax=True --structure_matcher='disordered' --save_as="$RESULTS_PATH/metrics.json" --reference_dataset_path="data-release/alex-mp/reference_TRI2024correction.gz"

该脚本会将包含指标结果的 metrics.json 写入 $RESULTS_PATH 并将其打印到你的控制台。

[!重要] 此存储库中的评估脚本使用了 MatterSim，一种机器学习力场（MLFF），用于弛豫结构并通过 MatterSim 预测的能量评估其稳定性。虽然这种方法比基于密度泛函理论（DFT，Density Functional Theory）的评估快几个数量级，无需许可证即可运行评估，并且通常具有高精度，但仍有一些重要的注意事项：(1) 在 MatterGen 论文中，我们使用 DFT 来评估所有模型和基线生成的结构；(2) DFT 更加准确和可靠，尤其是在不太常见的化学体系中。因此，使用此评估代码获得的评估结果可能与 DFT 评估的结果不同；我们建议在得出结论之前，使用 DFT 确认通过 MLFF 获得的结果。

[!提示] 默认情况下，这会使用 MatterSim-v1-1M。如果你想使用更大的 MatterSim-v1-5M 模型，可以添加 --potential_load_path="MatterSim-v1.0.0-5M.pth" 参数。你还可以查看 MatterSim 仓库 获取模型的最新版本。

如果相反，你已经通过其他方式（例如 DFT）弛豫了结构并获得了弛豫后的总能量，则可以通过以下方式评估指标：

git lfs pull -I data-release/alex-mp/reference_MP2020correction.gz --exclude=""  # 首先从 Git LFS 下载参考数据集
mattergen-evaluate --structures_path=$RESULTS_PATH --energies_path='energies.npy' --relax=False --structure_matcher='disordered' --save_as='metrics'

该脚本将尝试按照以下优先顺序从磁盘读取结构：

• 如果 $RESULTS_PATH 指向一个 .xyz 或 .extxyz 文件，它将直接读取该文件，并假设每一帧是一个不同的结构。
• 如果 $RESULTS_PATH 指向一个包含 .cif 文件的 .zip 文件，它将首先解压然后读取 cif 文件。
• 如果 $RESULTS_PATH 指向一个目录，它将按照 os.listdir 中出现的顺序读取所有的 .cif、.xyz 或 .extxyz 文件。

在这里，我们期望 energies.npy 是一个 NumPy 数组，其中的条目为 float 类型的能量，顺序与从 $RESULTS_PATH 读取的结构相同。

[!重要] 对于任何超出与现有文献基准测试的任务，我们建议使用 TRI2024 校正方案和参考数据集。为此，请运行：

git lfs pull -I data-release/alex-mp/reference_TRI2024correction.gz --exclude=""  # 首先从 Git LFS 下载参考数据集
mattergen-evaluate --structures_path=$RESULTS_PATH --energies_path='energies.npy' --relax=False --structure_matcher='disordered' --save_as='metrics' --energy_correction_scheme="TRI2024" --reference_dataset_path="data-release/alex-mp/reference_TRI2024correction.gz" 

如果你想保存弛豫后的结构及其能量、力和应力，可以在脚本调用中添加 --structures_output_path=YOUR_PATH，如下所示：

mattergen-evaluate --structures_path=$RESULTS_PATH --relax=True --structure_matcher='disordered' --save_as='metrics' --structures_output_path="relaxed_structures.extxyz"

如果你想获取每个结构的指标（例如，每个晶体的 energy_above_hull 而不仅仅是平均值），可以添加 --save_detailed_as 来保存包含每个结构值的 JSON 文件：

mattergen-evaluate --structures_path=$RESULTS_PATH --relax=True --structure_matcher='disordered' --save_as='metrics.json' --save_detailed_as='detailed_metrics.json'

详细的指标文件包含每个结构的 energy_above_hull、self_consistent_energy_above_hull、stability、novelty、uniqueness 和其他指标的值。

基准测试

在 plot_benchmark_results.ipynb 中，我们提供了一个 Jupyter 笔记本来生成类似于论文中图 2e 和 2f 的图表。我们进一步提供了分析多个基线生成样本所得的指标结果，位于 benchmark/metrics。你可以通过将 mattergen-evaluate 生成的指标 JSON 文件复制到同一文件夹来添加你自己模型的结果。再次提醒，这些结果是通过 MatterSim 弛豫和能量获得的，因此结果将与通过 DFT 获得的结果不同（例如，如论文中的结果）。

为了方便起见，以下是**论文中图 2e 和 2f 的数值结果**（以及补充信息中的表 D4）：

模型	% S.U.N.	RMSD	% 稳定	% 独特	% 新颖
MatterGen	38.57	0.021	74.41	100.0	61.96
MatterGen MP20	22.27	0.110	42.19	100.0	75.44
DiffCSP Alex-MP-20	33.27	0.104	63.33	99.90	66.94
DiffCSP MP20	12.71	0.232	36.23	100.0	70.73
CDVAE	13.99	0.359	19.31	100.0	92.00
FTCP	0.0	1.492	0.0	100.0	100.0
G-SchNet	0.98	1.347	1.63	100.0	98.23
P-G-SchNet	1.29	1.360	3.11	100.0	88.40

使用您自己的参考数据集进行评估

[!重要] 如果您计划使用 MatterSim（物质模拟器）来评估生成结构的稳定性，那么您提供的参考数据集必须包含与 MatterSim 兼容的能量值， 这意味着这些能量值应为根据 Materials Project（材料项目）兼容性方案计算的 DFT（密度泛函理论）能量，或者是直接通过 MatterSim 计算的能量。

如果您想使用自定义数据集进行评估，则首先需要将其序列化并保存，操作如下：

from mattergen.evaluation.reference.reference_dataset import ReferenceDataset
from mattergen.evaluation.reference.reference_dataset_serializer import LMDBGZSerializer


reference_dataset = ReferenceDataset.from_entries(name="my_reference_dataset", entries=entries)
LMDBGZSerializer().serialize(reference_dataset, "path_to_file.gz")

其中 entries 是一个包含结构-能量对的 pymatgen.entries.computed_entries.ComputedStructureEntry 对象列表。

默认情况下，我们在评估过程中会对所有输入结构应用 MaterialsProject2020Compatibility 能量校正方案，并假设参考数据集已使用相同的兼容性方案进行了预处理。 因此，除非您已经完成了此步骤，否则应按以下方式获取自定义参考数据集的 entries 对象：

from mattergen.evaluation.utils.vasprunlike import VasprunLike
from pymatgen.entries.compatibility import MaterialsProject2020Compatibility

entries = []
for structure, energy in zip(structures, energies)
  vasprun_like = VasprunLike(structure=structure, energy=energy)
  entries.append(vasprun_like.get_computed_entry(
      inc_structure=True, energy_correction_scheme=MaterialsProject2020Compatibility()
  ))

[!注意] 由于 MaterialsProject2020Compatibility 方案存在一些已知问题，我们建议使用 TRI110Compatibility2024 参考数据集和校正方案来评估基准测试之外材料的稳定性。 为此，请运行以下代码：

from mattergen.evaluation.utils.vasprunlike import VasprunLike
from mattergen.evaluation.reference.correction_schemes import TRI110Compatibility2024

entries = []
for structure, energy in zip(structures, energies)
  vasprun_like = VasprunLike(structure=structure, energy=energy)
  entries.append(vasprun_like.get_computed_entry(
      inc_structure=True, energy_correction_scheme=TRI110Compatibility2024()
  ))

自行训练 MatterGen

在从头开始训练 MatterGen 之前，我们需要解压并预处理数据集文件。

预处理用于训练的数据集

您可以为 mp_20 数据集运行以下命令：

# 从 LFS 下载文件
git lfs pull -I data-release/mp-20/ --exclude=""
unzip data-release/mp-20/mp_20.zip -d datasets
csv-to-dataset --csv-folder datasets/mp_20/ --dataset-name mp_20 --cache-folder datasets/cache

您将在 datasets/cache/mp_20 中获得预处理后的数据文件。

要预处理我们的较大数据集 alex_mp_20，请运行：

# 从 LFS 下载文件
git lfs pull -I data-release/alex-mp/alex_mp_20.zip --exclude=""
unzip data-release/alex-mp/alex_mp_20.zip -d datasets
csv-to-dataset --csv-folder datasets/alex_mp_20/ --dataset-name alex_mp_20 --cache-folder datasets/cache

这将花费一些时间（约 1 小时）。您将在 datasets/cache/alex_mp_20 中获得预处理后的数据文件。

训练

您可以使用以下命令在 mp_20 数据集上训练 MatterGen 基础模型：

mattergen-train data_module=mp_20 ~trainer.logger

[!注意] 对于 Apple Silicon（苹果芯片）训练，请在上述命令中添加 ~trainer.strategy trainer.accelerator=mps。

验证损失 (loss_val) 应在 360 个 epoch（约 80k 步）后达到 0.4。输出检查点可以在 outputs/singlerun/${now:%Y-%m-%d}/${now:%H-%M-%S} 找到。我们称此文件夹为 $MODEL_PATH 以供将来引用。

[!注意] 我们使用 hydra 来配置训练和采样任务。分层配置可以在 mattergen/conf 下找到。接下来我们将使用 hydra 的配置覆盖功能通过 CLI 更新这些配置。有关配置覆盖语法的介绍，请参阅 hydra 文档。

[!提示] 默认情况下，我们通过 ~trainer.logger 配置覆盖禁用 Weights & Biases (W&B) 日志记录。您可以通过移除此覆盖来启用它。在 mattergen/conf/trainer/default.yaml 中，您可以输入您的 W&B 日志信息或指定您自己的日志记录器。

要在 alex_mp_20 数据集上训练 MatterGen 基础模型，请使用以下命令：

mattergen-train data_module=alex_mp_20 ~trainer.logger trainer.accumulate_grad_batches=4

[!注意] 对于 Apple Silicon 训练，请在上述命令中添加 ~trainer.strategy trainer.accelerator=mps。

[!提示] 请注意，单个 GPU 的内存通常不足以支持 512 的批量大小，因此我们在 4 个批次上累积梯度。如果仍然内存不足，请进一步增加此值。

晶体结构预测

尽管这不是我们论文的重点，您也可以在晶体结构预测（CSP，Crystal Structure Prediction）模式下训练 MatterGen，在这种模式下，它在生成过程中不会去噪原子类型。 这使您能够基于特定化学式进行生成。您可以通过向 run.py 传递 --config-name=csp 来在此模式下训练 MatterGen。

要从此模型中采样，请向 generate.py 传递 --target_compositions=['{"<element1>": <number_of_element1_atoms>, "<element2>": <number_of_element2_atoms>, ..., "<elementN>": <number_of_elementN_atoms>}'] --sampling-config-name=csp。 例如，目标组成可以是 --target_compositions=['{"Na": 1, "Cl": 1}']。

在属性数据上进行微调

你可以使用以下命令对 MatterGen 基础模型（MatterGen base model）进行微调。

export PROPERTY=dft_mag_density
mattergen-finetune adapter.pretrained_name=mattergen_base data_module=mp_20 +lightning_module/diffusion_module/model/property_embeddings@adapter.adapter.property_embeddings_adapt.$PROPERTY=$PROPERTY ~trainer.logger data_module.properties=["$PROPERTY"]

dft_mag_density 表示用于微调的目标属性。你也可以通过替换 adapter.pretrained_name=mattergen_base 为 adapter.model_path=$MODEL_PATH 来微调你自己训练的模型，将 $MODEL_PATH 替换为你模型的实际路径。

[!注意] 如果在 Apple Silicon 上进行训练，请在上述命令中添加 ~trainer.strategy trainer.accelerator=mps。

[!提示] 你可以选择数据集中可用的任何属性。支持的属性列表请参见 mattergen/conf/data_module/mp_20.yaml 或 mattergen/conf/data_module/alex_mp_20.yaml。你还可以添加自己的自定义属性数据。有关说明请参见下方。

多属性微调

你还可以对多个属性进行 MatterGen 微调。例如，要对 dft_mag_density 和 dft_band_gap 进行微调，可以使用以下命令。

export PROPERTY1=dft_mag_density
export PROPERTY2=dft_band_gap 
export MODEL_NAME=mattergen_base
mattergen-finetune adapter.pretrained_name=$MODEL_NAME data_module=mp_20 +lightning_module/diffusion_module/model/property_embeddings@adapter.adapter.property_embeddings_adapt.$PROPERTY1=$PROPERTY1 +lightning_module/diffusion_module/model/property_embeddings@adapter.adapter.property_embeddings_adapt.$PROPERTY2=$PROPERTY2 ~trainer.logger data_module.properties=["$PROPERTY1","$PROPERTY2"]

[!提示] 按照以下方式添加更多属性：

1. 添加覆盖项：+lightning_module/diffusion_module/model/property_embeddings@adapter.adapter.property_embeddings_adapt.<my_property>=<my_property>
2. 将 <my_property> 添加到 data_module.properties=["$PROPERTY1","$PROPERTY2",...,<my_property>] 覆盖项中。

[!注意] 如果在 Apple Silicon 上进行训练，请在上述命令中添加 ~trainer.strategy trainer.accelerator=mps。

在你自己的属性数据上进行微调

你还可以在自己的属性数据上对 MatterGen 进行微调。本质上，你需要的是一个子集数据的属性值（通常是 float 类型），例如 alex_mp_20。按照以下步骤操作：

1. 将你的属性名称添加到 mattergen/common/utils/globals.py 文件中的 PROPERTY_SOURCE_IDS 列表中。
2. 在你要训练的数据集（例如 datasets/alex_mp_20/train.csv 和 datasets/alex_mp_20/val.csv）中添加一个以此名称命名的新列（需要完成预处理步骤）。
3. 重新运行 CSV 到数据集脚本 csv-to-dataset --csv-folder datasets/<MY_DATASET>/ --dataset-name <MY_DATASET> --cache-folder datasets/cache，将你的数据集名称替换为 MY_DATASET。
4. 在 mattergen/conf/lightning_module/diffusion_module/model/property_embeddings 中添加一个 <your_property>.yaml 配置文件。如果你添加的是浮点值属性，可以复制现有的配置文件，例如 dft_mag_density.yaml。更复杂的属性则需要创建自己的自定义 PropertyEmbedding 子类，例如参考 space_group 或 chemical_system 配置。
5. 按照属性数据微调说明，并以与现有属性（如 dft_mag_density）相同的方式引用你自己的属性。

数据发布

我们提供了用于训练和评估 MatterGen 的数据集。更多详细信息和许可信息，请参阅 data-release 下的相应 README 文件。

训练数据集

• MP-20 (Jain et al., 2013)：包含 45k 种通用无机材料，包括大多数实验已知的、晶胞中原子数不超过 20 的材料。
• Alex-MP-20：由来自 MP-20 和 Alexandria (Schmidt et al. 2022) 的约 600k 种结构组成的训练数据集，晶胞内原子数最多为 20 且凸包能量低于 0.1 eV/atom。更多信息请参见下文的维恩图以及 MatterGen 论文。

参考数据集

我们进一步提供了 Alex-MP 参考数据集，可用于评估生成样本的新颖性和稳定性。 参考集包含 845,997 种结构及其 DFT 能量。有关训练和参考数据集组成的更多详细信息，请参见以下维恩图。

[!注意] 出于许可原因，我们无法分享 4.4k 有序 + 117.7k 无序 ICSD 结构，因此结果可能与论文中的有所不同。

CIF 文件和实验测量

data-release 目录还包含论文中展示的所有结构的 CIF 文件，以及论文中介绍的 TaCr2O6 样品的 XPS、XRD 和纳米压痕测量数据。

引用

如果你使用我们的代码、模型、数据或评估管道，请考虑引用我们的工作：

@article{MatterGen2025,
  author  = {Zeni, Claudio and Pinsler, Robert and Z{\"u}gner, Daniel and Fowler, Andrew and Horton, Matthew and Fu, Xiang and Wang, Zilong and Shysheya, Aliaksandra and Crabb{\'e}, Jonathan and Ueda, Shoko and Sordillo, Roberto and Sun, Lixin and Smith, Jake and Nguyen, Bichlien and Schulz, Hannes and Lewis, Sarah and Huang, Chin-Wei and Lu, Ziheng and Zhou, Yichi and Yang, Han and Hao, Hongxia and Li, Jielan and Yang, Chunlei and Li, Wenjie and Tomioka, Ryota and Xie, Tian},
  journal = {Nature},
  title   = {A generative model for inorganic materials design},
  year    = {2025},
  doi     = {10.1038/s41586-025-08628-5},
}

商标

本项目可能包含某些项目、产品或服务的商标或标志。 Microsoft 商标或标志的授权使用需遵守并遵循 Microsoft 的商标和品牌指南。 在修改版本的项目中使用 Microsoft 商标或标志不得引起混淆或暗示 Microsoft 赞助。 任何第三方商标或标志的使用均需遵守这些第三方的政策。

负责任的人工智能透明性文档

负责任的人工智能透明性文档可以在这里找到 这里。

联系我们

如果您有任何这里未涵盖的问题，请在讨论区的问答部分提问。 如果您想报告错误或提出新功能，请使用模板创建一个问题和/或发起一个拉取请求。

# MatterGen 快速上手指南

MatterGen 是一个用于无机材料设计的生成模型，支持多种属性约束的微调和生成。

---

## 环境准备

### 系统要求
- **操作系统**: Linux（推荐）或 macOS（实验性支持）
- **Python 版本**: 3.10 及以上
- **硬件要求**: 支持 CUDA 的 GPU（推荐），或 Apple Silicon（实验性）

### 前置依赖
- Git Large File Storage (LFS)
- [uv](https://docs.astral.sh/uv/)（快速 Python 包管理工具）

> **注意**: 如果使用 Apple Silicon，请在运行训练或生成命令前设置环境变量：
> ```bash
> export PYTORCH_ENABLE_MPS_FALLBACK=1
> ```

---

## 安装步骤

1. 安装 `uv` 和创建虚拟环境：
   ```bash
   pip install uv
   uv venv .venv --python 3.10 
   source .venv/bin/activate
   uv pip install -e .

2. 检查并安装 Git LFS：

   git lfs --version
   

   如果未安装，请运行以下命令：

   sudo apt install git-lfs
   git lfs install
   

3. 下载预训练模型和数据集（通过 Git LFS）：

   git lfs pull -I checkpoints/<model_name> --exclude=""
   

   或从 Hugging Face 下载。

---

基本使用

无条件生成

运行以下命令以使用预训练模型生成材料：

export MODEL_NAME=mattergen_base
export RESULTS_PATH=results/  # 生成结果将保存在此目录

mattergen-generate $RESULTS_PATH --pretrained-name=$MODEL_NAME --batch_size=16 --num_batches 1

生成结果包括：

• generated_crystals_cif.zip: 包含生成结构的 .cif 文件。
• generated_crystals.extxyz: 包含所有生成结构的单个文件。
• （可选）generated_trajectories.zip: 包含去噪轨迹的 .extxyz 文件。

提示: 调整 --batch_size 参数以充分利用 GPU 内存。

---

属性条件生成

使用微调模型生成具有特定属性的材料。例如，生成磁密度为 0.15 的材料：

export MODEL_NAME=dft_mag_density
export RESULTS_PATH="results/$MODEL_NAME/"

mattergen-generate $RESULTS_PATH --pretrained-name=$MODEL_NAME --batch_size=16 --properties_to_condition_on="{'dft_mag_density': 0.15}" --diffusion_guidance_factor=2.0

提示: --diffusion-guidance-factor 参数控制生成样本对目标属性的依附程度，值越高依附越强，但可能降低多样性。

---

多属性条件生成

生成同时满足多个属性条件的材料。例如，生成化学系统为 Li-O 且能量高于稳定态 0.05 的材料：

export MODEL_NAME=chemical_system_energy_above_hull
export RESULTS_PATH="results/$MODEL_NAME/"

mattergen-generate $RESULTS_PATH --pretrained-name=$MODEL_NAME --batch_size=16 --properties_to_condition_on="{'energy_above_hull': 0.05, 'chemical_system': 'Li-O'}" --diffusion_guidance_factor=2.0

---

完成上述步骤后，您即可开始使用 MatterGen 进行材料生成！ ```