面向少样本开放催化剂挑战的催化蒸馏神经网络

人工智能与科学的融合在计算化学方法设计与发现新型催化剂方面取得了实质性进展。然而，电催化反应面临的挑战以及在催化领域开发大规模语言模型的问题依然存在，且近期 ChatGPT（Chat Generative Pre-trained Transformer，生成式预训练Transformer）的少样本方法超越 BERT（Bidirectional Encoder Representation from Transformers，双向编码器表征 from Transformers）的成功，凸显了在研究中解决数据有限、计算昂贵、时间约束和构效关系的重要性。因此，无论当前还是未来的需求，开发催化领域的少样本技术都至关重要且必不可少。本文介绍了 2023 年少样本开放催化剂挑战赛（Few-Shot Open Catalyst Challenge 2023），这是一项旨在推进机器学习技术在催化表面预测催化反应应用的竞赛，特别关注过氧化氢电催化中的双原子催化剂。为解决催化中数据有限的挑战，我们提出了一种基于 MLP-Like 的机器学习方法和一种称为催化蒸馏图神经网络（Catalysis Distillation Graph Neural Network，CDGNN）的框架。我们的结果表明，CDGNN 能有效从催化结构中学习嵌入，从而捕捉结构-吸附关系。这一成果实现了对过氧化氢反应路径最先进且高效的判定，比当前图神经网络方法高出 16.1%。因此，CDGNN 为催化中的少样本学习提供了一种有前景的方法。