马尔可夫跳跃扩散实现对称性破缺的晶体生成模型解析

从头设计晶体生成模型时，很多人会把分子生成的经验直接搬过来，结果很快就会发现两个问题：一是晶体的周期性和空间群约束让普通图网络失效，二是等变神经网络虽然对旋转平移有很好的归纳偏置，却可能把生成结果“锁”在高对称结构上。Symmetry-Breaking De Novo Crystal Generation via Markovian Jump Diffusion这个标题代表的方法，正是为了处理这类问题——它把晶体结构生成放到混合状态空间里，用连续扩散处理几何坐标，用马尔可夫跳跃处理离散的类别和对称性信息，并通过显式或隐式的对称性破缺来避免模型坍缩到少数高对称空间群。

这篇文章会围绕这个标题需要展开的几块内容进行拆解：先说到底要解决什么问题，再解释马尔可夫跳跃扩散的直观机制，然后给出一个可复现的最小实现框架，包括数据结构、训练循环、采样流程、调试路径和评估指标。适合正在研究材料生成模型的学生、准备复现扩散模型论文的工程师，以及想把晶体结构生成接入自动化材料筛选管线的开发者。

1. 对称性破缺的起点：De Novo 晶体生成为什么需要打破“过高对称”

1.1 晶体生成与分子生成不在同一个难度层级

分子生成的任务通常是给定分子式或目标性质，输出原子类型和三维坐标。分子结构虽然没有对称性要求，但在三维空间里旋转和平移一个分子不会改变它的物理性质，所以很多模型用 E(3) 等变图神经网络就能处理得比较好。

晶体比分子多一个“平移重复”的概念，即同一个晶胞在三维空间里无限重复。换句话说，晶体的基本单元是晶格加原胞里的原子位置。生成一个晶体结构，至少需要同时产出以下信息：

• 晶格参数：a、b、c 以及三个夹角，它们决定晶胞的形状和体积。
• 分数坐标：每个原子在晶胞内的位置，表示为晶格矢量方向上的比例值。
• 原子种类：每个位置的元素类型。
• 空间群或等价位置：决定对该结构施加哪些晶体学对称操作后仍然保持不变。

如果直接把分子生成的坐标回归思路搬到晶体，会出现一个很直接的问题：两个原子可能看上去坐标相差很大，但经过周期性平移后其实是同一个结构。所以晶体模型必须先用周期性最小像约定处理原子间距离，再把坐标映射回 [0, 1) 区间。这比普通分子的三维坐标建模多了一层约束。

De Novo 晶体生成的意思是模型不参考某个已有模板结构，只根据化学成分或完全无条件地从噪声出发构造新结构。这种设置下，生成结构的多样性非常依赖于模型对“对称性”的处理能力，因为晶体学里有 230 个空间群，不同空间群的可实现结构差异极其巨大。

1.2 等变模型的“对称性过强”问题

在很多生成模型里，等变网络是一个强烈推荐的选择。它保证网络输出会随输入结构的旋转平移而同步旋转平移，避免重复学习同一结构的无穷多个等价形式。这在分子坐标回归中很有效。

但在晶体生成中，等变性有时会成为问题。原因可以从两个方向理解。

第一，如果网络在输入输出上都严格保持等变，那么它很难对“低对称解”赋予比“高对称解”更高的概率。想象两个对称关联的构型，模型给它们的打分必须一致。这种一致约束看起来公平，但在生成过程中容易导致采样停留在对称轨道的高对称点上，因为这些点的打分往往更稳定。

第二，晶胞里的分数坐标在周期性边界条件下并不是简单的欧氏坐标。坐标经过平移后等价，网络要使用周期等变而不是单纯 SE(3) 等变。许多现成分子等变网络没有处理这种周期拓扑，直接用在晶体上会产生错误。

于是你会看到一种现象：模型 loss 下降很正常，但采出来的结构却高度集中在少数几个稳定且对称的空间群里，少数低对称空间群几乎没有输出。这本质上不是采样随机性不足，而是模型的对称性归纳偏置过强，缺少对称性破缺机制。

1.3 标题中的 Symmetry Breaking 到底指什么

标题里的 Symmetry-Breaking 是一个需要小心理解的概念。它并不是要破坏晶体本身符合的空间群，而是指生成过程需要具备“从一个更对称的状态走向一个更不希望对的状态”的能力。

从概率生成的角度看，晶体结构的分布天然覆盖不同空间群。如果目标分布要求某些空间群具有非零概率，那么模型就不能只输出所有对称性“公共交点”上的结构。公共交点通常是高对称原型结构，比如面心立方或简单钙钛矿原型。要得到某种低对称畸变结构，模型必须在采样路径上打破这种公共对称性，使轨迹能离开高对称流形。

这种破缺可以是显式的，比如把空间群作为一个离散变量，让它从一个高对称母群跳跃到某个低对称子群；也可以隐式地发生在连续坐标扩散中，即模型预测的分数坐标不再保持高对称位点特征。标题里把 Markovian Jump Diffusion 和 Symmetry-Breaking 放在一起，较为合理的理解是：离散跳跃过程承载了一部分“从母群到子群”的切换，而连续扩散过程负责精确刻度低对称后的原子位置。

容易误解的地方在于，Symmetry Breaking 不等于模型随机乱扔标签。把空间群标签完全去掉或者完全随机化，不会得到更好的结果，反而会让模型失去晶体学约束。真正关键的是让模型能够沿着一条可控的路径，从高对称先验逐渐过渡到合理低对称目标。

2. 马尔可夫跳跃扩散的数学直觉：连续几何与离散空间群如何共用一条时间轴

2.1 前向过程要区分连续状态和离散状态

扩散模型通常讲一个“前向逐步破坏，反向逐步生成”的故事。对于晶体结构，坐标和晶格参数是连续量，元素类型和空间群标签是离散量。

连续量的前向过程可以描述为：

x_t = sqrt(alpha_bar_t) * x_0 + sqrt(1 - alpha_bar_t) * epsilon

这里 x_0 是原始坐标或晶格参数，epsilon 是标准正态噪声，alpha_bar_t 是一个从 1 逐渐降到接近 0 的噪声调度。时间 t 越接近 1，结构被破坏得越严重，最后几乎无法从 x_t 辨认出原始构型。

离散量的前向过程不能用高斯噪声。更自然的做法是定义一个连续时间马尔可夫链。假设某个离散变量 y 有 C 个类别，前向转移规律用一个速率矩阵 R(t) 来控制。R(t) 的第 i 行第 j 列表示在单位时间内从类别 i 跳到类别 j 的速率。给一个足够小的时间步 dt，转移概率可以近似写作：

P(y_{t+dt} = j | y_t = i) = delta_{ij} + R(t)_{ij} * dt

当 dt 很小、速率有限时，这种近似是可用的。多个离散类别可以共同用一个大的速率矩阵，也可以每个离散维度独立使用自己的速率矩阵。

所谓马尔可夫过程，核心是“未来只依赖当前状态，不依赖过去完整轨迹”。跳跃扩散就是把这个性质应用到连续和离散混合状态上：把原始结构记为 (x_0, y_0)，前向 t 时刻先对连续量加噪得到 x_t，再对离散量做马尔可夫跳跃得到 y_t。时间 t 是两种破坏过程的共同进度。

2.2 反向生成可以看成一条随机路径

生成过程就是把前向破坏反过来。给定纯噪声 x_T 和均匀或先验分布的 y_T，模型逐步预测：

• 连续量应该向哪个方向移动，通常对应一个分数函数或噪声预测；
• 离散量应该增加或降低哪个类别的转移速率。

实际上我们并不需要真正知道前向过程某个时刻的祖先状态。反向过程的关键是估计条件分布：

p_theta(x_{t-dt}, y_{t-dt} | x_t, y_t, t)

对连续量，这个条件分布近似为高斯分布，均值和方差可以由 score 网络给出。对离散量，条件分布表现为一系列瞬时跳跃强度，模型预测每个目标类别的速率，然后用采样随机数决定是否跳转。

因此，标题中的 Markovian Jump Diffusion 是一套完整的生成范式：连续子空间用 SDE 扩散，离散子空间用 CTMC 跳跃，两者通过同一个时间变量 t 耦合，也通过同一个神经网络特征进行联合推断。

2.3 为什么不用纯连续扩散或纯离散扩散

纯连续扩散把所有变量都当作连续值处理。元素类型可以看作 one-hot 向量，空间群标签也可以映射成向量，然后在这个 embedding 上加入高斯噪声。但这种做法有两个问题：一是类别之间的概率关系会被高斯噪声扭曲，网络需要学习从连续空间“译码”回离散类别的函数；二是空间群不是没有结构的独立类别，它们之间存在子群-超群关系，高斯噪声无法天然表达这种晶体学偏序。

纯离散扩散适合处理元素、空间群、Wyckoff 位点等变量，但它对坐标的细化能力偏弱。原子坐标必须达到 0.01 到 0.1 埃的精度才可能得到合理晶体结构，这种连续几何微调更适合用扩散 score 来拟合。

实际方案倾向于把两种方法结合：坐标、晶格连续扩散；元素和空间群标签做离散马尔可夫跳跃。这样做还有一个额外收益：离散跳变可以按照晶体群关系设计，让状态从高对称空间群跳到低对称子群的速率更大，从而显式注入对称性破缺先验。

2.4 用于对称性破缺的自然设计方向

如果要把对称性破缺显式加入模型，一种自然做法是让离散变量包含空间群标签，并利用晶体学关系定义前向速率矩阵。晶体学中有“最大子群”和“最小超群”的概念。例如空间群 Pmmm 是某个高对称空间群 Pm-3m 的子群。从 Pm-3m 跳到 Pmmm 属于对称性降低，速率可以设计得较高；反过来跳到超群则代表对称性提高，速率可以设计得较低。

更进一步，还可以把 Wyckoff 位点也纳入跳跃状态。高对称母群的某个 Wyckoff 位点在降低对称性后会分裂成多个不等价位点，分裂过程和空间群的子群链直接相关。这会让生成过程不再是“先定出坐标再找群”，而是在一条空间群链上同步调整坐标。这样可以生成既有确定空间群、又不过于模板化的低对称结构。

要注意，这只是一种实现方向。具体论文的公式和转移矩阵设计需要以原文为准，但在复现前先想清楚“离散状态空间到底由谁组成”，比直接抄代码重要得多。

3. 实现前必须先定清表示和网络输出

3.1 数据结构：Lattice、Crystal 和 SymmetryLabel

代码实现的第一步不是写模型，而是建立清晰的数据结构。下面示例只用于说明思路，不绑定任何特定论文实现。真实数据集里的输入文件通常是 CIF 格式，需要用 pymatgen 或 ASE 读取后再转成扩散模型使用的张量。

from dataclasses import dataclass import numpy as np import torch @dataclass class Lattice: lengths: np.ndarray # (3,), a b c angles: np.ndarray # (3,), alpha beta gamma def to_matrix(self) -> np.ndarray: a, b, c = self.lengths alpha, beta, gamma = np.radians(self.angles) cx = c * np.cos(beta) cy = c * (np.cos(alpha) - np.cos(beta) * np.cos(gamma)) / np.sin(gamma) cz = np.sqrt(c**2 - cx**2 - cy**2) matrix = np.zeros((3, 3)) matrix[0, 0] = a matrix[1, 1] = b * np.sin(gamma) matrix[1, 0] = b * np.cos(gamma) matrix[1, 2] = 0.0 matrix[2, 0] = cx matrix[2, 1] = cy matrix[2, 2] = cz return matrix @dataclass class Crystal: lattice: Lattice frac_coords: np.ndarray # (N, 3) in [0, 1) species: np.ndarray # (N,), integer ids space_group: int # 1..230

需要强调的是，内部训练表示最好使用分数坐标，而不是笛卡尔坐标。原因是分数坐标天然对齐周期性边界，模型输出的 [0, 1) 区间可以直接作为晶胞内坐标。如果使用笛卡尔坐标，还要不断把坐标除以晶格矩阵再取小数，容易产生数值误差。

空间群标签可以在训练时作为额外条件或离散扩散状态输入，也可以在评估阶段通过 spglib 对生成结构重新计算得到。不要把人工标注空间群当作唯一标准，因为同一个结构文件可能有多种标准化的空间群判断方式。

3.2 周期边界下的图表示

晶体图网络不能使用普通分子图的欧氏距离。两个原子的实际距离必须考虑周期性镜像：

def min_image_vector(frac_i, frac_j): delta = frac_j - frac_i delta = delta - np.round(delta) return delta

得到最小镜像分数向量后，再乘以晶格矩阵才能得到真正的笛卡尔距离向量。图网络的边应该按这个距离阈值截断，通常取半径 3.5 到 6 埃之间，具体取决于元素种类和晶胞尺寸。

如果网络结构直接对分数坐标建模，并且采用周期最小像特征，那么旋转晶胞后输入坐标会随之变化，网络也能通过晶格矩阵信息维持合理的几何关系。更复杂的做法是使用 SE(3) 等变卷积。对于入门复现，先用周期图网络把工作流跑通，再把普通消息传递替换成等变消息传递会更稳妥。

3.3 模型需要预测的三个目标

网络输入是当前带噪声的结构等状态。需要在 t 时刻预测以下信息：

• 连续坐标的噪声或分数。常用做法是预测噪声向量 epsilon，或者直接预测原始坐标。预测噪声在 DDPM 框架下更容易训练。
• 晶格参数的修正方向。晶格参数必须保持正值，建议网络输出经过 log 或 softplus 变换后的量，避免负体积结构。
• 离散量跳跃速率。对于原子种类，输出每个原子属于各类别的 logits；对于空间群，输出对每个群标签的转移倾向。

class CrystalDiffusionNet(torch.nn.Module): def __init__(self, hidden_dim=256, num_species=10, num_timesteps=None): super().__init__() self.hidden_dim = hidden_dim self.coord_score_head = torch.nn.Linear(hidden_dim, 3) self.lattice_head = torch.nn.Linear(hidden_dim, 6) self.species_rate_head = torch.nn.Linear(hidden_dim, num_species) def forward(self, frac_coords, species, lattice_params, t): # frac_coords: (B, N, 3) # species: (B, N) # lattice_params: (B, 6) # t: (B,) h = self._build_periodic_graph(frac_coords, lattice_params) h = embed_timestep(h, t) coord_score = self.coord_score_head(h) species_logits = self.species_rate_head(h) lattice_score = self.lattice_head(lattice_pooling(h)) return coord_score, species_logits, lattice_score

上面的代码省略了周期图构建细节，但展示了输出头如何分工。

3.4 对每个预测头的损失设计

不同输出对应不同损失。连续坐标通常使用 L2 距离：

loss_coord = torch.nn.functional.mse_loss(coord_score, epsilon_target)

原子种类作为离散量，可以用交叉熵，但目标和权重需要根据前向转移概率重新计算。常见的做法是在加噪后的类别上预测原始类别分布，或者预测反向转移速率。

loss_species = torch.nn.functional.cross_entropy( species_logits.reshape(-1, num_species), species_target.reshape(-1) )

晶格参数要区分长度和角度。长度建议放在对数空间做 MSE，避免大晶胞主导损失。角度可以使用弧度制并处理 90 度附近的周期性，不过最简单方案是对角度加 sin/cos 编码，再组合成向量预测。

总损失不是简单地相加。实际训练通常需要为不同任务设置权重。如果坐标 loss 太大，模型会先学会把坐标放好，元素和空间群则趋于平均值；如果离散 loss 太大，则容易出现“元素对、坐标错”的半成品。建议分开记录每个 loss，方便定位问题。

4. 训练管线搭建：把 Markovian Jump Diffusion 跑起来

4.1 建议的目录划分

为了快速迭代，推荐把数据、模型、噪声调度、采样、评估分开。

crystal_diffusion/ data/ __init__.py dataset.py transform.py models/ __init__.py crystal_net.py diffusion/ noise_schedule.py continuous.py discrete_jump.py samplers.py run_train.py run_sample.py configs/ train_base.yaml

这样做的原因是：扩散模型的训练循环本身很短，容易调的是噪声调度和采样器。如果全部塞进一个文件，改动一次时间表就要重读大量上下文，不利于实验管理。

4.2 前向加噪代码骨架

以坐标和元素两个变量为例，先构造连续加噪，再进行离散跳跃采样。

def q_sample_continuous(frac_coords, alpha_bar, rng): # frac_coords: (B, N, 3) eps = torch.randn_like(frac_coords) z = torch.sqrt(alpha_bar) * frac_coords + torch.sqrt(1 - alpha_bar) * eps return z, eps def q_sample_discrete(species, rate_matrix, dt): # species: (B, N) # rate_matrix 可以按转移核构造 transition_prob = torch.eye(num_species, device=species.device) transition_prob += rate_matrix * dt transition_prob = transition_prob.clamp(min=0) transition_prob = transition_prob / transition_prob.sum(dim=-1, keepdim=True) logits = torch.log(transition_prob[species] + 1e-12) samples = torch.distributions.Categorical(logits=logits).sample() return samples

注意，这里的离散跳跃代码是简化版本。实际如果要按时间变化且 dt 较大，直接用I + R * dt的线性近似会产生不合法概率，需要根据速率矩阵计算矩阵指数或减小有效跳跃步长。

4.3 反向训练循环骨架

假设 batch 里已经包含原始分数坐标、元素种类、晶格参数、空间群信息。训练时对每个 batch 随机采样时间步 t，不需要显式模拟完整前向过程。

def train_step(model, batch, optimizer): frac = batch["frac_coords"] # (B, N, 3) species = batch["species"] # (B, N) lattice = batch["lattice_params"] # (B, 6) B = frac.shape[0] t = torch.rand(B, device=frac.device) alpha_bar = get_alpha_bar(t) # (B,) z_frac, eps_target = q_sample_continuous(frac, alpha_bar) z_species = q_sample_discrete(species, build_rate_matrix(t), dt_schedule(t)) coord_pred, species_logits, lattice_pred = model(z_frac, z_species, lattice, t) loss_coord = mse(coord_pred, eps_target) loss_species = cross_entropy(species_logits, species) loss_lattice = mse(lattice_pred, alpha_bar[:, None] * lattice + noise_lattice) loss = loss_coord + 0.5 * loss_species + 0.5 * loss_lattice optimizer.zero_grad() loss.backward() optimizer.step() return loss_coord.item(), loss_species.item(), loss_lattice.item()

这里时间步采样使用简单均匀分布。实际中如果希望模型在低噪声区间表现更好，可以用 logit-normal 分布或 importance sampling 重新加权，让更多训练步集中在高难度区域。

4.4 超参数与训练稳定性

训练时还要关注梯度尺度。如果某一步 loss 出现 NaN，先检查晶格参数是否出现负数，再检查 log softmax 输入是否包含 NaN。晶格参数的log前一定要加很小的 epsilon，防止对 0 取对数。

5. 采样生成：让对称性破缺发生在采样路径上

5.1 从噪声到结构的大致流程

采样是训练的反向过程。从一个高噪声状态出发，不断代入模型预测结果，逐步去噪到 t=0，最终得到数据结构。

def sample(model, num_atoms, lattice_prior, num_steps=500): z_frac = torch.rand(num_atoms, 3, device=device) z_species = torch.randint(0, num_species, (num_atoms,), device=device) z_lattice = sample_lattice_noise(lattice_prior, device=device) dt = 1.0 / num_steps for i in range(num_steps): t = torch.ones(1, device=device) * (1.0 - i * dt) coord_score, species_logits, lattice_score = model( z_frac.unsqueeze(0), z_species.unsqueeze(0), z_lattice.unsqueeze(0), t ) # 连续部分反向 Euler-Maruyama z_frac = z_frac - dt * coord_score_squeeze + torch.sqrt(2 * dt) * torch.randn_like(z_frac) z_lattice = reverse_lattice_step(z_lattice, lattice_score, dt) # 离散部分跳跃 z_species = discrete_jump_sample(z_species, species_logits, dt) # 后处理 z_frac = z_frac % 1.0 return z_frac, z_species, z_lattice

这个代码只能表达过程骨架。真正采样时，连续更新和离散更新不应该简单在同一个 dt 里独立执行，因为状态变化会互相影响预测结果。更合理的做法是：小步更新一次连续坐标，然后用当前最新状态重新过一遍模型，再决定离散跳跃是否发生。

5.2 连续与离散同步更新

在混合扩散中，“两个过程如何同步”很关键。一种做法是把时间切成很多小片段。每段里先计算当前模型的预测，然后用 SDE 反向更新连续坐标，再利用同一组预测做离散转移抽样，因为状态整体变化较小，这种近似误差可控。

另一种做法是采用 predictor-corrector 的思想：先预测原始坐标，再用 predicted original 替换掉状态中的噪声部分，接着重新计算离散跳跃速率。这样可以减少离散状态和连续状态不一致的问题。

实际调试时，可以先关闭离散跳跃只跑坐标扩散，看到结构是否合理，再打开离散跳跃。如果一步到位，出问题时很难定位到究竟是坐标网络错误还是离散跳跃采样错误。

5.3 生成后处理与结构规范化

采样结束并不是终点。原始模型输出的分数坐标可能因为去噪误差偏离 [0, 1) 区间，可以先取模：

frac_coords = frac_coords % 1.0

但取模之后，原子排序仍然可能与晶胞内等价位置不一致。对于结构筛选，应先把生成数据转成 pymatgen Structure，再做标准化：

from pymatgen.core import Structure from pymatgen.symmetry.analyzer import SpacegroupAnalyzer structure = Structure( lattice=from_lattice_params(lattice_params), species=species_names, coords=frac_coords, coords_are_cartesian=False, ) analyzer = SpacegroupAnalyzer(structure) standard_struct = analyzer.get_conventional_standard_structure() reported_sg = analyzer.get_space_group_number()

如果 spglib 返回空间群号为 0，说明结构连基本的平移周期都出了问题，应直接丢弃。后处理不能替代模型质量：如果你过度依赖后处理去纠正坐标越界，只能说明训练或采样过程还有问题。

5.4 低对称结构比例不对时的采样侧调整

如果生成结果里低对称空间群比例过低，采样侧可以从三个方向调整。

第一，调整初始离散分布。不要一律从均匀类别开始，而是根据训练集的空间群分布初始化，再在采样过程中让转移速率发挥破缺作用。

第二，对离散跳跃速率加温度参数。预测的 rateg 乘以一个温度系数，温度越高越容易从高对称群跳到低对称群，温度越低越容易保持初始终状态。

第三，增加重复采样并做结构筛选。无条件生成模型里，每个结构仍然是一个概率样本。采样 N 个候选，用有效性、空间群分布、密度、组成合理性过滤，可以明显改善可用结构集合的多样性。

注意：采样侧调整只能缓解模型分布偏置问题，不能彻底解决“训练数据低对称结构本身太少”的问题。如果训练集中低对称空间群样本不足，应该先考虑数据增强或重采样，而不是强行修改采样温度。

6. 调试与评估：不只关注 loss，更要关注空间群分布

6.1 最常见但最容易忽略的验证指标

不少人训练完只看生成结构里有多少个“看起来像晶体”，这远不够。至少应该关注以下五个指标。

对于这篇标题里的方法，最核心的评估不是简单的生成成功比例，而是“对称性破缺是否真的发生”：生成样本是否覆盖母群对应的多个子群簇，而不是全部落在同一个空间群下。

6.2 从现象倒推根因的排错表

6.3 如何区分训练分布偏置和模型对称性过强

遇到“低对称结构生成不出来”时，先做一个简单对照实验。从训练集中按照空间群分布均匀采样一批结构，不训练扩散模型，直接用某种插值或随机扰动方法生成一批候选结构。如果这批候选的低对称结构比例也不高，说明问题很可能是数据分布本身偏置。如果随机扰动方法能覆盖低对称结构，只有扩散模型生成不了，那重点就应放在模型对称性约束和采样离散转移设计上。

具体做法是统计两组数据的空间群频率分布，计算 KL 散度。若 KL 散度很低，说明生成分布和训练分布匹配，只是训练分布本身不够多样；若 KL 散度很高且集中在少数空间群，说明生成分布坍缩，需要从模型设计层面调整。

6.4 正确评估生成结构的新颖性与稳定性

仅仅看生成空间群不等于结构新颖。一个 P1 空间群的结构标签很简单，但它在原子里可能有两个原子重叠，物理上毫无意义。对称性评估必须和几何合理性一起看。

建议评估流程如下：

1. 先用 spglib 确认空间群号，判断是否落在低对称群类别。
2. 计算每个原子到最近邻原子的距离，和同元素体系常见键长比较，过滤掉距离远小于合理阈值的结构。
3. 用经验势 Ewald 求和快速估计结构是否明显不稳定。
4. 对候选化合物，可按资源选择少量样本做 DFT 几何弛豫，观察是否发生巨大的晶格和原子位移。
5. 如果目标是为新材料筛选提供候选，至少保留一批经过第一性原理验证的稳定结构。

要特别提醒一点：空间群多样性高并不等于生成质量高。模型完全可以靠随机打乱坐标来输出很多无重叠但无化学合理性的结构。因此“空间群分布 + Validity + 能量检验”必须同时报告。

7. 从学习到生产的实践清单

7.1 学习环境要跑的六个检查点

如果你在本地复现或改造这类模型，建议按下面顺序检查。

1. 能够读取真实晶体结构并批量提取 lattice、species、fractional coordinates。
2. 用 spglib 对同一结构多次标准化后，空间群号保持不变。
3. 运行坐标加噪后，把噪声坐标 wrap 回 [0, 1)，再比较原子间距离，确认最小像约定生效。
4. 用一个很小的两层图网络跑通训练循环，关注 loss 是否能下降，而不关注指标高低。
5. 固定随机种子，重复两次相同试验，确认生成结果在统计层面对应一致。
6. 用训练数据里少量结构去掉部分坐标作为测试，确认模型能通过条件信息恢复结构。

这六个检查点可以帮助你区分“代码 bug”和“算法效果不佳”。

7.2 实验和生产环境需要额外处理的模块

实验环境追求快速迭代，生产环境还需要考虑更多内容。

生产环境建议至少补充以下模块：

• 数据版本控制：晶体结构数据集更新方式、重复结构去重、元素范围校验。
• 异常结构与重试机制：当预测晶格参数为负值或生成结构无法被 pymatgen 解析时，记录失败原因并自动重新采样。
• 指标监控：训练时记录坐标 loss、离散 loss、空间群分布熵，防止模型中途坍缩。
• 采样扩展：使用 seed 替换来产生大规模候选结构，只在通过几何过滤后才进入第一性原理计算。
• 模型回滚：无论 checkpoint 还是配置，都要保持同一个随机过程可复现。
• 日志保留：space group、volume、composition、有效性、采样温度等指标要落表，方便后续做回归分析。

7.3 最适合继续深入的三条路线

第一，如果把对称性破缺做得更显式，可以研究“空间群链”离散状态。把空间群标签替换成一条从高对称群到低对称群的转移链，并用子群关系约束 rate matrix，这样模型生成的每个样本都会携带自己的对称性演化历史，不仅结果可解释，而且低对称结构比例更容易控制。

第二，加入目标性质条件。标题方法和所有生成模型一样，最终会走向可控生成。在离散状态或连续扩散阶段加入带隙、形成能、体积模量等条件，用分类器或无分类器引导控制生成方向，可以让低对称候选结构更有筛选价值。

第三，把生成模型和第一性原理筛选做闭环。无条件采样得到批量候选后，用 GFN-xTB 或 DFT 做快速排序，只保留相对稳定结构。把筛选结果当作伪标签重新训练生成器，可以让模型逐步减少产生不稳定结构的概率。这个过程需要严格设计，不要让模型的损失被第一性原理计算噪声带偏，但方向和工业界材料筛选非常一致。

调试这类模型时最值得记住的一点：不要只看平均 loss，也不要只看“生成出来的少量样例长得像晶体”。低对称空间群的结构本来生成难度就高，如果模型无法覆盖它们，整个方法最核心的价值就丢失了。建议每次实验都把空间群分布、有效性、体积分布放在一张表里对比，观察训练集、普通扩散 baseline、当前方法的三列差异。只有这种对比能帮助你判断：模型是真正学到了晶体结构的对称性破缺规律，还是只是在拟合高对称样本的平均形状。