AdsorbFlow：能量条件化流匹配实现快速且真实的吸附物摆放
机器学习
2026-02-24 v1
摘要
在计算异构催化中识别低能吸附几何构型是实际瓶颈：难点不仅在于密度泛函理论（DFT）的计算成本，更在于提出初始摆放位置难以relax到正确的能势 basin 中。条件去噪扩散已提升成功率，但每样本需要约100次迭代。本文引入 AdsorbFlow，一种确定性生成模型，通过条件流匹配学习吸附物刚体配置空间的能量条件化向量场。能量信息通过分类器自由指导条件化进入——而非能量梯度指导——且采样简化为仅需5步内的 ODE 积分。在OC20-Dense上采用 EquiformerV2 骨干网络的 AdsorbFlow 在 full DFT 单点验证下实现 61.4% SR@10 和 34.1% SR@1，超越 AdsorbDiff（31.8% SR@1, 41.0% SR@10）和 AdsorbML（47.7% SR@10），同时使用20倍更少的生成步骤，实现率最低的异常值（6.8%）。在50个分布外系统中，AdsorbFlow 保持 58.0% SR@10，MLFF-to-DFT 差距仅为4~个百分点。这些结果表明，确定性传输在吸附物摆放中既更快也更准确。
引用
@article{arxiv.2602.19289,
title = {AdsorbFlow: energy-conditioned flow matching enables fast and realistic adsorbate placement},
author = {Jiangjie Qiu and Wentao Li and Honghao Chen and Leyi Zhao and Xiaonan Wang},
journal= {arXiv preprint arXiv:2602.19289},
year = {2026}
}