基于条件去噪扩散的吸附体置放

确定吸附体（adslab）上吸附剂的最优配置是探索新型催化剂在不同应用中的关键步骤。传统方法通过将吸附剂置于基片上随后进行优化过程来寻找最低能量adslab配置。以往方法依赖于启发式方法、问题特定的直觉或粗暴的方法来指导吸附剂的置放。在本工作中，我们提出了一种基于去噪扩散的新型框架用于吸附体置放。该模型旨在预测对应于最低能量配置的吸附体最佳置放位置和取向。进一步地，我们构建了一个端到端的评估框架，其中扩散预测的adslab配置经预训练的机器学习力场优化后，再经密度力学理论（DFT）评估。我们的发现表明，该方法在加速度上提升了最高可达5倍或3.5倍。鉴于本框架和应用的新颖性，我们提供了关于预训练、模型架构的见解，并进行了大量实验以彰显该方法的重要性。