复旦团队提出Transformer生成的原子嵌入策略，可通过ML提高晶体特性的预测准确性

复旦大学的研究团队开发了一种基于Transformer架构的CrystalTransformer模型，该模型能够生成通用的原子嵌入（UAE），用于提高机器学习在晶体特性预测中的准确性。通过使用均匀流形近似和投影（UMAP）聚类方法，研究人员能够将原子分为不同的组，并分析嵌入与真实原子之间的联系。实验结果表明，基于CrystalTransformer的UAE（ct-UAE）能够准确捕捉复杂的原子特征，并在多个材料数据库中显示出良好的可移植性。特别是在预测混合钙钛矿数据库中的形成能时，ct-UAE显著提高了预测准确度，展示了其在解决数据稀缺挑战方面的潜力。