CatalyticMLLM：用于催化材料的图-文本多模态大语言模型

催化材料的属性预测和逆结构设计通常被建模为两个独立任务：前者从给定结构预测目标属性，后者根据期望的属性生成候选结构。虽然解耦的范式有助于实现“生成-评估-筛选”工作流程，但生成模型和属性预测模型在表示空间和训练目标方面的不一致性可能会引入数据分布迁移并导致评估者偏见，从而限制闭环优化的稳定性。在本工作中，我们提出QE-Catalytic-V2，一个用于催化材料的统一图-文本多模态大语言模型，将属性预测和逆设计集成到同一模型和共享表示空间中。在该统一框架下，QE-Catalytic-V2不仅能通过利用三维结构和文本信息实现可靠的属性预测，还能在目标属性条件下生成和筛选可行的CIF候选，从而形成“逆设计-预测-筛选-重设计”的闭环优化工作流程。实验结果表明，该统一范式在催化松弛能量预测和逆设计任务上均优于解耦的基线，验证了在单个多模态模型中联合建模属性预测和结构生成的有效性。