用于催化剂发现的生成式语言模型
机器学习
2024-12-13 v1
摘要
新型且有前景的材料的发现是化学和材料科学领域的关键挑战，传统上通过从试错到基于机器学习的逆向设计等方法来实现。最近的研究表明，基于Transformer的语言模型可被用作材料生成模型，以扩大化学空间并探索具有所需属性的材料。本文中，我们引入了催化剂生成式预训练转换器（CatGPT），该模型被训练用于生成来自广阔化学空间中无机催化剂结构的字符串表示。CatGPT不仅在生成有效且准确的催化剂结构方面表现出高性能，还可作为生成具有特定类型的催化剂的基础模型，通过使用稀疏且指定的数据集进行微调。以一个例子，我们使用为筛选两电子氧化还原反应（2e-ORR）催化剂而设计的二元合金催化剂数据集对预训练的CatGPT进行微调，并生成专为2e-ORR生成的催化剂结构。我们的工作表明，语言模型作为催化剂发现的生成工具具有潜力。
关键词
引用
@article{arxiv.2407.14040,
title = {Generative Language Model for Catalyst Discovery},
author = {Dong Hyeon Mok and Seoin Back},
journal= {arXiv preprint arXiv:2407.14040},
year = {2024}
}