2025_NIPS_Density of States Prediction of Crystalline Materials via Prompt-guided Multi-Modal Tra...

一、文章主要内容总结

该研究聚焦于晶体材料的态密度（DOS，包括声子DOS和电子DOS）预测问题。态密度是晶体材料的光谱特性，对理解材料的导电性、热容量等关键性质至关重要，但传统密度泛函理论（DFT）计算成本高昂。现有机器学习方法多专注于单值材料特性预测，且忽略了态密度的核心本质——其由材料本身和能量水平共同决定，未充分整合异质信息。

为此，研究提出DOSTransformer，一种基于提示引导的多模态Transformer模型，核心思路是：

1. 将晶体材料（通过图神经网络编码原子和结构信息）与能量水平作为异质输入模态；
2. 利用交叉注意力机制建模材料与能量水平的复杂关系，通过自注意力机制整合能量间的全局信息；
3. 引入可学习的晶体系统提示（覆盖7种晶体系统），捕捉结构特异性相互作用，避免因晶体结构差异导致的预测偏差；
4. 采用逐点预测方式，在每个能量水平上独立输出态密度值，贴合态密度的物理定义。

实验结果表明，DOSTransformer在分布内（In-distribution）和分布外（Out-of-distribution）场景下，均显著优于E3NN、图网络等现有方法，且预测的态密度能准确推导体模量、带隙等物理性质，兼具精度与物理有效性。

二、文章创新点

1. 首次整合能量水平信息：突破现有方法仅编码材料信息的局限，明确将能量水平作为独立模态，通过多模态Transformer建模材料-能量的异质关系，契合态密度的物理本质。