Das AlphaCrystal-II-Modell nutzt die reichhaltigen Beziehungen zwischen Atomen in bekannten Kristallstrukturen, um die Atomabstandsmatrix eines Materials vorherzusagen und daraus die 3D-Kristallstruktur zu rekonstruieren. Dieser datengesteuerte, wissensbasierte Ansatz zeigt eine bemerkenswerte Effektivität und Zuverlässigkeit bei der Strukturvorhersage.
XtalNet, ein equivariantes tiefes generatives Modell, kann Kristallstrukturen direkt aus Pulver-Röntgenbeugungsdaten ohne externe Datenbanken oder manuelle Eingriffe vorhersagen.
Durch den Einsatz von Multi-Objective Quality-Diversity-Algorithmen können diverse und hochwertige kristalline Materialien mit unterschiedlichen Eigenschaften wie Leitfähigkeit, Magnetismus und Stabilität gefunden werden.