QE-Catalytic：用于催化吸附松弛能量预测的图-语言多模态基础模型
机器学习
2025-12-24 v1 人工智能
摘要
吸附能是催化活性的一个关键描述符。它基本上定义为吸附剂-表面系统松弛总能与适当参考状态之间能量之差；因此，松弛能预测的准确度直接决定了基于机器学习的催化剂筛选的可靠性。E(3) 等向性图神经网络 (GNN) 能在周期边界条件下自然地处理三维原子坐标，并在此类任务上展现出强性能。相比之下，基于语言模型的 метод，虽然通过人类可读的文本描述实现了更广泛的适用性，减少了对显式图结构的依赖，但在吸附构象能量预测准确度和区分“相同系统但不同构象”方面仍不足，即便在 GAP-CATBERTa 风格的图辅助预训练下亦然。为此，我们提出 QE-Catalytic，一种多模态框架，深入耦合大型语言模型 (Qwen) 与 E(3) 等向性图 Transformer (Equiformer-V2)，实现对吸附构象属性预测和逆向设计的统一支持。在预测过程中，QE-Catalytic 联合利用三维结构和结构化配置文本，并通过图-文本对齐将“3D 几何信息”注入语言通道，使其能够在坐标不可用时作为高性能基于文本的预测器发挥作用，同时也能自动生成面向目标能的 CIF 文件进行结构设计和信息补全。在 OC20 数据集上，QE-Catalytic 将松弛吸附能的 MAE 从 0.713 eV 降至 0.486 eV，始终优于 CatBERTa 和 GAP-CATBERTa 等基线模型。
引用
@article{arxiv.2512.20084,
title = {QE-Catalytic: A Graph-Language Multimodal Base Model for Relaxed-Energy Prediction in Catalytic Adsorption},
author = {Yanjie Li and Jian Xu and Xueqing Chen and Lina Yu and Shiming Xiang and Weijun Li and Cheng-lin Liu},
journal= {arXiv preprint arXiv:2512.20084},
year = {2025}
}
备注
25 pages