入选ICML 2025，Meta/剑桥/MIT提出全原子扩散Transformer框架，首次实现周期性与非周期性原子系统统一生成
原文中文，约4300字，阅读约需11分钟。
📝
内容提要
ADiT模型通过结合潜在表示与Transformer技术，突破了原子系统建模的周期性与非周期性限制，显著提高了生成效率与可扩展性，为新材料和药物设计提供了重要支持。
🔎
延伸解读
ADiT模型的创新意义
ADiT模型通过统一潜在表示和Transformer技术，首次实现了周期性与非周期性原子系统的统一生成。这一创新不仅提升了生成效率，还为新材料和药物设计提供了更为灵活的工具，推动了科学研究的进步。
模型的可扩展性与效率
ADiT在训练和推理速度上显著优于传统模型，生成样本的时间大幅缩短。这种高效性使得ADiT在处理大规模数据集时表现出色，尤其在药物设计和材料研发中，能够快速生成有效的分子和晶体结构。
跨系统建模的挑战
尽管ADiT在原子系统建模上取得了突破，但仍需关注不同原子系统间的兼容性问题。现有模型的通用性不足，可能限制了ADiT在某些特定应用场景中的表现，未来的研究需要进一步解决这一挑战。
❓
Q&A
ADiT模型的主要创新点是什么？
ADiT模型通过全原子统一潜在表示与Transformer技术，首次实现了周期性与非周期性原子系统的统一生成。
ADiT模型在生成效率上有何优势？
ADiT模型在生成样本的速度上显著提高，生成10,000个样本的时间从2.5小时缩短至20分钟以内。
ADiT模型如何解决原子系统建模的兼容性问题？
ADiT模型通过统一潜在表示，能够用单一模型生成不同类型的分子与晶体，从而解决了原子系统建模的兼容性问题。
ADiT模型的训练机制有什么特点？
ADiT模型采用联合训练机制，在多个数据集上训练时显著提升性能，尤其在材料和分子生成任务中表现优异。
ADiT模型在不同数据集上的表现如何？
ADiT模型在MP20和QM9等数据集上进行联合训练，表现出色，达到了SOTA水平。
ADiT模型的可扩展性如何？
ADiT模型在参数扩展至5亿时，性能呈现可预测的线性提升，显示出良好的可扩展性。
🏷️
