研究前沿：催化吸附-多模态图学习 | Nature Machine Intelligence

文章预览

吸附能Adsorption energy是必须准确预测的反应性描述符，从而在催化剂筛选过程中，有效地应用机器学习。这一过程包括在催化表面上的不同吸附构型中，找到最低能量，这些构型通常具有非常相似的能量。 尽管在计算催化剂体系的能量方面，图神经网络取得了巨大的成功，但严重依赖于原子的空间坐标。相比之下，基于Transformer的语言模型，可直接利用人类可读的文本输入，潜在地绕过了详细原子位置或拓扑的需求。然而，这些语言模型，往往难以准确预测吸附构型的能量。 今日，美国 卡内基梅隆大学（Carnegie Mellon University）Janghoon Ock，Amir Barati Farimani等，在Nature Machine Intelligence上发文，研究通过一种称为图辅助预训练的自监督过程，整合了潜在空间与成熟图神经网络，从而改进了预测语言模型。 这种方法，将吸附构型能量预测的平均绝对误差降 ………………………………